即插即用系列（代码实践） | WACV 2024 CSAM：面向各向异性医学图像分割的 2.5D 跨切片注意力模块

论文题目：CSAM: A 2.5D Cross-Slice Attention Module for Anisotropic Volumetric Medical Image Segmentation

中文题目：CSAM：用于各向异性体素医学图像分割的2.5D跨切片注意力模块
论文出处：WACV 2024 (加州大学洛杉矶分校 UCLA 等)

论文原文 (Paper)：https://openaccess.thecvf.com/content/WACV2024/html/Hung_CSAM_A_2.5D_Cross-Slice_Attention_Module_for_Anisotropic_Volumetric_Medical_WACV_2024_paper.html
代码 (code)：https://github.com/aL3x-O-o-Hung/CSAM

摘要：
本文提取自 WACV 2024 顶会论文《CSAM: A 2.5D Cross-Slice Attention Module for Anisotropic Volumetric Medical Image Segmentation》。在临床 MRI 或 CT 数据中，我们常常面临严重的**各向异性（Anisotropic）**问题：即切片内的分辨率（In-plane）很高，但切片间（Through-plane / Z轴）的间距极大且信息模糊。直接用 3D CNN 会导致特征提取严重失真，而纯 2D CNN 又会彻底丢失层间连续性。本文复现了该网络的核心解法——CSAM（跨切片注意力模块）。该模块巧妙结合了 2D 卷积的轻量性，并通过引入切片维度（Slice）的注意力与不确定性建模（Uncertainty Modeling），在参数量几乎不增加的情况下，完美捕获了跨切片的体素级上下文。它是魔改 2.5D 分割网络的终极利器。

第一部分：模块原理与实战分析

1. 论文背景与解决的痛点

做过医疗影像（尤其是前列腺 MRI、心脏 MRI）的算法工程师都知道，真实的医学数据往往是“扁长”的：

• 3D 卷积的灾难：标准的 3D U-Net 默认 X, Y, Z 三个维度的物理间距是相近的。当面对 Z 轴切片厚度是 X/Y 轴像素间距 5 倍甚至 10 倍的数据时，3D 卷积核会强行融合非相邻的物理结构，导致极其严重的过拟合与性能崩塌。
• 2D 卷