注意力机制持续发力！与Unet结合一举拿下多篇CCF-B！小白轻松上手！

今天给大家推荐一个，小白也能轻松发CCF-B的方向：UNet+注意力机制！

UNet作为经典模型，应用非常广泛，但也面临：特征选择时无法区分有效信息和背景噪声、多尺度信息捕捉不足、计算资源需求大等问题。而注意力机制的引入，则使模型能聚焦任务相关信息，摒除冗余。既能提高精度，减少计算资源需求，还能使适应更加复杂的场景，像是小目标、低光照……

更特别的是，该思路改进简单，实验设计灵活。主要在于，注意力机制模块种类非常多，我们可以把不同模块进行组合；或者通过跨层融合、多尺度改进等方式做结构创新。模型Perspective+ UNet，便是通过这样的改进，中稿MICCA24！

为让大家能够紧跟领域前沿，找到更多idea启发，我给大家准备了14种创新思路，原文和源码都有。

论文原文+开源代码需要的同学看文末

RWKV-UNet: Improving UNet with Long-Range Cooperation for  Effective Medical Image Segmentation

内容：本文介绍了一种新型的医学图像分割模型 RWKV-UNet，它将 RWKV 结构与经典的U-Net架构相结合，旨在提高模型对长距离依赖关系的捕捉能力，从而改善医学图像分割的准确性和上下文理解能力。该模型通过设计IR-RWKV模块和CCM模块，增强了特征提取能力和多尺度信息融合能力。实验表明，RWKV-UNet 在多个基准数据集（如 Synapse、ACDC、BUSI 等）上达到了最先进的性能，并且其较小的变体（如 RWKV-UNet-S 和 RWKV-UNet-T）在保持性能的同时，显著降低了计算复杂度，适合更广泛的临床应用。

BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation

内容：本文提出了一种名为 BRAU-Net++ 的新型混合卷积神经网络（CNN）和Transformer架构，用于医学图像分割任务。该网络采用 U 形编码器 - 解码器结构，以双层路由注意力为核心构建块，能够有效学习全局语义信息，同时降低计算复杂度。此外，BRAU-Net++ 通过引入通道 - 空间注意力机制重新设计了跳跃连接，以增强多尺度特征之间的交互并补偿下采样造成的空间信息损失。在多个公共基准数据集（包括 Synapse 多器官分割、ISIC-2018 挑战赛和 CVC-ClinicDB 数据集）上的实验结果表明，BRAU-Net++ 在几乎所有评估指标上均优于现有的先进方法，尤其是在分割小目标方面表现出色。

Perspective+ Unet: Enhancing Segmentation  with Bi-Path Fusion and Efficient Non-Local  Attention for Superior Receptive Fields

内容：本文提出了一种名为Perspective+ Unet的新型医学图像分割网络架构，旨在通过增强感受野来提高分割精度。该框架包含三大创新点：(1) 在编码器阶段引入双路径策略，结合传统卷积和扩张卷积的结果，既保留局部感受野又显著扩展全局结构理解；(2) 引入高效的非局部变换器块（ENLTB），利用核函数近似以线性计算和空间复杂度有效捕获长距离依赖关系；(3) 采用空间跨尺度集成器（SCSI）策略，在模型的不同阶段融合全局依赖和局部上下文线索，精细调整各级特征以协调全局和局部信息。实验结果表明，Perspective+ Unet 在 ACDC 和 Synapse 数据集上表现出色，显著优于现有先进方法。

Structural Attention: Rethinking Transformer  for Unpaired Medical Image Synthesis

内容：本文提出了一种名为UNest的新型架构，用于无配对医学图像合成任务。该方法通过引入结构化归纳偏差，解决了传统 Transformer 模型在无配对图像合成中因缺乏监督信号而导致的性能不佳问题。UNest 利用 Segment-Anything Model 提取前景结构，并在主要解剖区域内执行结构化注意力，从而引导模型学习关键解剖区域，提升在无配对训练下对结构细节的合成能力。实验结果表明，UNest 在多个医学图像合成任务中显著优于现有方法，平均性能提升达 19.30%。

码字不易，欢迎大家点赞评论收藏！

关注下方《AI科研技术派》

回复【14UA】获取完整论文

👇