UNet改进（20）：融合通道-空间稀疏注意力的医学图像分割模型

1. UNet架构回顾

UNet最初由Ronneberger等人提出，专门用于生物医学图像分割。其经典结构由对称的编码器（下采样）和解码器（上采样）路径组成，中间通过跳跃连接（skip connections）将低级特征与高级特征融合。

class UNet(nn.Module):
    def __init__(self, in_channels=1, num_classes=1):
        super(UNet, self).__init__()
        self.in_channels = in_channels
        self.num_classes = num_classes
        
        # 编码器路径（下采样）
        self.in_conv = DoubleConv(in_channels, 64)
        self.down1 = Down(64, 128)
        self.down2 = Down(128, 256)
        self.down3 = Down(256, 512)
        self.down4 = Down(512, 1024)
        
        # 解码器路径（上采样）
        self.up1 = Up(1024, 512)
        self.up2 = Up(512, 256)
        self.up3 = Up(256, 128)
        self.up4 = Up(128, 64)
        
        self.out_conv = OutConv(64, num_clas