MALUNet：一种多关注，轻量级的皮肤病变分割UNet

Tittle：MALUNet: A Multi-Attention and Light-weight UNet for Skin Lesion Segmentation

摘要

本篇文章提出的目的是为了缓解计算资源的不足，轻量化模型提出的。简单来说本文提出了4个模块。

1）DGA：由扩展卷积和门控注意机制组成，提取全局和局部特征信息。（使网络模型更加关注目标区域，同时这一模块中的深度可分离卷积进一步减少了参数和计算复杂度）

2）IEA：基于外界关注来表征整体数据集，增强样本之间的联系。

3）CAB：由一维卷积和全连接层组成，对多阶段特征进行全局和局部融合，生成通道轴上的特征图

4）SAB：通过共享二维卷积对多阶段特征进行操作，生成空间轴上的特征图。

本文将这四个模块与UNet网络结合

Introduction

目前一些分割架构存在的问题是：

1）一些模型以大参数量的代价来换取模型的高性能，但是由于医疗设备内存有限无法很好的应用于现实的临床场景

2）样本数据之间的差异很小，但在医疗数据集内部中的差异很大，目前解决这一问题的是在自注意力机制及其改进结构上进行的。但是SA在建模样本之间关系方面效果不算好。

3）医学图像分割任务中，由于目标尺寸不同，必须充分利用多阶段，多尺度的信息。但是先前的一些网络结构忽略了这一点。

方法

1）Dilated Gated Attention Block-DGA

同时获取全局和局