我们提出了一种新颖的注意力门（Attention Gate, AG）模型，用于医学影像分析，该模型能够自动学习聚焦于不同形状和大小的目标结构。通过使用注意力门训练的模型可以隐式地学习抑制输入图像中的无关区域，同时突出对特定任务有用的显著特征。这使得我们可以消除使用级联卷积神经网络（CNNs）中显式的外部组织/器官定位模块的必要性。注意力门可以轻松集成到标准的CNN架构中，例如U-Net模型，仅需最小的计算开销即可提高模型的敏感性和预测准确性。所提出的注意力U-Net架构在两个大型腹部CT数据集上进行了多类图像分割评估。实验结果表明，注意力门在不同的数据集和训练规模下始终能提升U-Net的预测性能，同时保持计算效率。所提出的架构代码已公开可用。