融合频率自适应和特征变换的医学图像分割

目的医学图像中病灶的精准分割对临床诊断和治疗制定至关重要。虽然现有方法多利用深度特征、注意力机制或多尺度结构来提升性能，但对高低频特征的显式建模不足，下采样过程中易产生信息丢失。本文提出一种融合频率自适应与特征变换的分割网络（frequency adaptation and feaTNet），通过动态平衡高低频分量并优化下采样策略，以提升分割的准确性。方法该方法是基于编码器—解码器结构实现的，主要包括频率自适应编码模块（frequency adaptation encoding module，FAE）、特征分解变换模块（feature decomposition transformation module，FDT）和空间通道信息重构模块（spatial-channel information reconstruction module，SCIR）。频率自适应编码模块用于特征表示学习中的高低频分量平衡，在特征编码过程采用动态扩张率和自适应核策略；特征分解变换模块应用于下采样过程，通过并行最大池化和离散小波变换平衡操作，实现细节感知信息的恢复和保持；空间通道信息重构模块采用分离重构策略及分离变换融合操作实现解码过程的信息特征交叉重建并抑制空间通道维度特征冗余。结果在ISIC2017（international skin imaging collaboration 2017）、ISIC2018和DSB2018（data science bowl challenge 2018） 3个公开数据集中进行训练和验证。在ISIC2017和ISIC2018数据集上的Dice得分为89.42%和89.84%，分别优于其他对比方法0.04%～7.83%和0.13%～5.95%。在ISIC2018基准上的敏感性（sensitivity，SE）指标达到91.19%，具有明显优势。在DSB2018数据集上，本文模型的Dice系数（Dice coefficient）、准确度（accuracy，ACC）和敏感性（SE）指标分别为91.52%、97.65%和91.88%，相较于较先进的算法分别提升2.59%、2.29%和2.86%。结论本文提出的分割模型，充分利用了图像中的高频和低频信息，有效提升了分割性能。