性能再升级！UNet+注意力机制，新SOTA分割准确率高达99%

UNet结合注意力机制能够有效提升图像分割任务的性能。

具体来说，通过将注意力模块集成到UNet的架构中，动态地重新分配网络的焦点，让其更集中在图像中对于分割任务关键的部分。这样UNet可以更有效地利用其跳跃连接特性，以精细的局部化信息来提升分割精度。

这种策略可以帮助UNet更精确地界定目标边界，提升分割精度和效率。同时引导网络关注更有信息量的局部区域，减少模型对计算资源的需求。

以CAS-UNet算法为例： CAS-UNet是一种基于注意机制的视网膜血管分割算法，它通过引入跨融合通道注意机制、加性注意门模块和SoftPool池化模块，改进了传统的U-Net算法，提高了模型的分割能力和对细节图像区域的分割效果。

在CHASEDB1和DRIVE数据集上的实验结果表明，CAS-UNet分别达到了96.68%和95.86%的准确率，以及83.21%和83.75%的灵敏度，优于现有的基于U-Net的经典算法。

本文挑选了12个UNet结合注意力机制最新成果，可借鉴的方法和创新点做了简单提炼，原文以及相应代码都整理了，方便同学们学习和复现。

论文和开源代码需要的同学看文末

High-Resolution Model for Segmenting and Predicting Brain Tumor Based on Deep UNet with Multi Attention Mechanism

方法：论文提出了一种利用增强注意机制的UNet框架分割脑肿瘤的新技术。通过在记录全面的上下文信息的同时，通过选择性地强调重要方面的注意过程，该策略克服了脑肿瘤分割的挑战。在总体准确率方面表现出色，达到了99%的准确率。

创新点：

建立了一种基于UNet和多重注意机制的深度学习模型，用于精确分割和预测脑肿瘤。该模型通过在UNet架构中整合注意机制来强化特征提取和上下文理解，从而克服了传统分割技术的局限性。
通过引入空间注意和通道注意机制，提高了模型对肿瘤和非肿瘤区域的区分能力，并加强了对多尺度层次的上下文理解。
利用离散余弦变换（DCT）从医学图像中提取特征，降低了计算复杂度和内存需求。这有助于减少UNet模型的输入数组维度。

DA-TransUNet: Integrating Spatial and Channel Dual Attention with Transformer U-Net for Medical Image Segmentation

方法：论文提出一种新的深度医学图像分割框架DA-TransUNet，旨在将Transformer和双注意力块(DA-Block)与传统的U-shaped架构相结合，以改善医学图像分割的性能。通过在嵌入层和每个跳跃连接层中引入DA-Block，提高特征提取能力和编码器-解码器结构的效率，从而改善医学图像分割的性能。

创新点：

DA-TransUNet：将双重注意机制集成到Transformer U-net框架中，将位置和通道信息处理与编码器-解码器结构相结合，提高了医学图像分割任务的性能。
双重注意块（DA-Block）：在编码器的Transformer层之前和跳跃连接中引入了DA-Block，增强了特征提取能力，改善了图像分割性能。

SCTV-UNet: a COVID-19 CT segmentation network based on attention mechanism

方法：论文提出了一种新的COVID-19分割网络SCTV-UNet，结合了编码器上的注意力机制。同时，还提出了一种新的复合损失函数DTVLoss，可以解决传统U型网络预测图像边界模糊和病变区域与背景之间对比度弱的问题。

创新点：

提出了一种新的COVID-19分割网络SCTV-UNet，结合了编码器上的注意机制。通过引入SC注意力到编码器中，可以捕获更多的语义信息，突出病变区域的特征，并抑制其他区域。因此，SCTV-UNet比TV-UNet有更好的分割效果和分割准确性。
提出了一种新的复合损失函数DTVLoss。它可以解决传统U型网络预测图像边界模糊和病变区域与背景之间对比度弱的问题。通过将DTVLoss替换TVLoss，可以解决TV-UNet预测图像中边界模糊和病变区域与背景之间对比度弱的问题。