摘要

深度学习架构中的卷积神经网络（CNN）在计算机视觉领域取得了卓越成就。其中，U-Net作为一种基于CNN的编码器-解码器结构，在生物医学图像分割任务中实现了重大突破，并已广泛应用于多种实际场景。然而，传统U-Net在编码器部分对所有下采样层采用均一化设计，且仅通过简单堆叠卷积层进行特征提取，难以充分捕获不同深度层次的丰富特征信息。随着医学图像复杂度的不断提升，现有方法面临新的挑战。为此，本文提出一种更深层、更紧凑的分叉注意力U型网络（Deep and Compact Split-Attention U-Net, DCSAU-Net），该模型通过两种创新框架——主特征保持机制与紧凑分叉注意力模块——高效融合低层与高层语义信息。我们在CVC-ClinicDB、2018年数据科学碗（Data Science Bowl）、ISIC-2018以及SegPC-2021等多个公开数据集上对所提模型进行了评估。实验结果表明，DCSAU-Net在平均交并比（mIoU）和F1分数等关键指标上均优于当前主流的先进方法（SOTA）。尤为重要的是，该模型在复杂医学图像上展现出出色的分割性能。本文相关代码及更多技术细节可访问GitHub获取：https://github.com/xq141839/DCSAU-Net。