医用画像のセグメンテーションは、コンピュータ支援診断や治療において重要な役割を果たしています。従来のU-Netスタイルの畳み込みニューラルネットワークは、エンコーダ・デコーダ構造により高いパフォーマンスを発揮しますが、長距離依存性のキャプチャには限界があります。本論文では、Grouped Coordinate Attention (GCA)をResNet-50の残差ブロックに統合した新たなセグメンテーションネットワークGCA-ResUNetを提案しています。GCAは、チャンネルと空間的位置間でのグローバル依存性を共同でエンコードし、特徴表現と境界の明確化を強化しつつ、計算コストを最小限に抑えています。このネットワークは、Synapseデータセットで86.11%、ACDCデータセットで92.64%のDiceスコアを達成し、優れた計算効率と高速な推論を維持しながら、いくつかの最先端手法を上回る結果を示しています。これは、GCAが畳み込みアーキテクチャにグローバルモデリング能力を強化する実用的な方法であることを示しています。