深度空洞注意力 UNet（DAA-UNet）：提升医学图像分割精度的新架构

为解决 UNet 不足，研究人员开展 DAA-UNet 架构研究，结果优于 UNet 等，提升分割精度。

　　医学图像分割是医学图像分析，尤其是医学图像处理领域的关键环节。尽管 UNet 架构在医学图像分割方面的有效性得到广泛认可，但它在充分发挥自身优势和有效利用上下文数据方面存在不足。为此，本研究引入了一种名为深度空洞注意力 UNet（Deep Atrous Attention UNet，DAA-UNet）的架构，在 UNet 中融入了注意力模块和空洞空间金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）模块。其主要目标是提高医学图像分割的效率和准确性，尤其聚焦于胸部 X 光（Chest X-ray，CXR）图像。DAA-UNet 融合了 UNet、ASPP 和注意力机制的整体特征。注意力模块的添加通过对编码层到解码层的特征进行优先级排序，优化了分割过程。研究人员利用结核病数据集对所提出模型的性能进行评估。验证结果显示，平均准确率达到 97.15%，平均交并比（Intersection over Union，IoU）值为 92.37%，平均骰子系数（Dice Coefficient，DC）值为 93.25%。值得注意的是，在肺分割的定性和定量评估方面，DAA-UNet 均取得了比 UNet 和其他选定相关架构更好的结果。