自适应频域增强分割网络
跨域泛化优异
该网络通过异构架构同时利用频域与空域特征，在医学图像分割中实现精确的全局结构与局部边界定位。
刘东 · Jin, Kuang
Knowledge-Based Systems 2025
参数信息
- mDice 分数（Kvasir-SEG）
- 93.91 %
- mDice 分数（BUSI）
- 88.64 %
- mDice 分数（ISIC-2017）
- 91.27 %
- mDice 分数（ACDC）
- 90.74 %
- mDice 分数（Synapse）
- 81.38 %
- 跨域 mDice 分数（Kvasir Capsule-SEG）
- 92.09 %
- 跨域 mDice 分数（BUS42）
- 93.50 %
- 跨域 mDice 分数（M&Ms）
- 83.92 %
技术优势
跨域泛化强
在三个完全未见的数据集上 mDice 分别达到 92.09%、93.50%、83.92%，证明模型不依赖特定数据分布，可直接用于新来源的影像。
边界更清晰
FAHS 模块自适应提取高频特征增强轮廓和细节表示，使分割边缘更贴近真实病灶边界。
全局语义一致
MPFR 模块在解码时对齐低维和高维特征，增强语义一致性，使分割结果在整体结构上不出现断裂或错位。
架构灵活
异构网络框架可容纳多种骨干网络，便于替换不同编码器，适应算力或精度需求。
应用场景
- 医学图像分析：在病灶形状和尺寸高度变异时仍能稳定分割，可直接融入现有分析流程。
- 医学影像分割：以频域增强取代传统单网络分割，同时捕捉全局结构与局部边界。
- 手术机器人：提供清晰的病灶边界，辅助术中导航和机器人操作路径规划。
- 医学图像标注：以高精度自动分割结果作为预标注，减少人工勾画工作量。