SK与CBAM注意力机制在UNet医学图像分割中的实战对比与性能提升

1. 医学图像分割与注意力机制基础

医学图像分割是计算机视觉在医疗领域的重要应用，比如眼底图像中的视盘分割、CT影像中的器官识别等。这类任务的特点是目标区域与背景对比度低、边界模糊，传统UNet虽然表现不错，但面对复杂场景时仍存在细节丢失的问题。这就引出了我们今天要讨论的主角——SK模块和CBAM模块。

这两种都是注意力机制的代表，简单来说就像给模型装了个"智能探照灯"。想象医生看CT片时会不自觉地聚焦病灶区域，注意力机制就是让神经网络学会这种能力。SK模块通过多分支卷积+动态权重分配实现自适应感受野调整，而CBAM则采用通道+空间双路注意力分别聚焦重要特征和关键区域。

在Refuge眼底数据集上的实验表明，原始UNet的Dice系数为0.946，添加SK模块后提升到0.989，CBAM版本也达到0.988。这个提升幅度在医疗场景非常关键——意味着模型能更准确地分割出微小病变区域。下面我们通过具体代码来拆解实现细节。

2. SK-UNet的实战实现

2.1 SK模块工作原理

SKConv的核心思想是选择性核机制。我把它比喻成医生换不同放大镜观察病灶：先用3x3卷积看局部细节，再用5x5卷积观察周边组织，最后智能融合不同视野的信息。具体实现分为三步：

1. Split阶段：并行使用3x3和5x5卷积（对应M=2）

python复制self.convs = nn.ModuleList([
    nn.Sequential(
        nn.Conv2d(features, features, kernel_size=3, padding=1),
        nn.BatchNorm2d(features),
        nn.ReLU()
    ),
    nn.Sequential(
        nn.Conv2d(features, features, kernel_size=5, padding=2), 
        nn.BatchNorm2d(features),
        nn.ReLU()
    )
])

2. Fuse阶段：通过全局平均池化生成通道统计信息

python复制fea_U = torch.sum(fe