编辑推荐：
为解决 U-Net 局限性，研究人员开展相关研究，新网络性能优于多种模型，意义重大。
卷积神经网络（CNNs）在计算机视觉领域，尤其是医学图像分割方面取得了显著成就。U-Net 作为一种杰出的架构，实现了重大突破，在实际应用中广泛使用。然而，其统一的下采样策略以及编码器中卷积层的简单堆叠，限制了它在多个深度捕获丰富特征的能力，降低了快速图像处理的效率。为了解决这些局限性，本文提出了一种新颖的分割网络，该网络将注意力机制与多层感知器（MLPs）相结合。该网络旨在逐步捕获并优化不同层次的特征。在低层级，引入主特征保留（PFC）模块，以保留关键的空间细节，减少下采样过程中主特征的损失。在中层级，紧凑注意力模块（CAB）通过多路径注意力结构增强特征交互，提升网络捕获多样化语义信息的能力。在高层级，集成了 Shift MLP 和 Tokenized MLP 模块。Shift MLP 模块沿着不同轴移动特征通道，通过聚焦卷积特征的特定区域来增强局部特征建模。Tokenized MLP 模块将这些特征转换为抽象令牌，并利用 MLP 在潜在空间中对其表示进行建模，有效减少了参数数量和计算复杂度，同时提高了分割性能。在结直肠癌肿瘤数据集 CCI 和公开数据集 ISIC-2018 上进行的实验表明，所提出的方法在性能上显著优于 U-Net、U-Net++、Swin-U-Net、Attention U-Net 和 RA-U-Net，平均提升分别为 6.67%、5.53%、10.18%、4.78% 和 3.55%。代码可通过以下链接获取：
https://github.com/QingTianer/SAMP-Net.git。
