MSFB-Net：基于多尺度频率复合注意力与跨层边界优化的医学图像精准分割网络

本文推荐一种创新性医学图像分割网络MSFB-Net，通过多尺度频率复合注意力（MSFCA）融合空间与频域特征，结合跨层边界优化（CLBO）模块保留高频细节，并设计交互式融合（IF）机制增强信息流。该网络在Kvasir-SEG等8个数据集上超越现有方法（如ISIC 2018 mDice达0.9327），为病灶分割提供高精度解决方案。

　　

Highlight

注意力机制

在处理复杂医学图像时，注意力机制能通过自动聚焦关键区域显著提升模型性能。注意力U-Net（Attention U-Net）通过集成自注意力模块增强了对复杂结构的捕捉能力，但其依赖预定义感受野的特性限制了全局上下文信息的获取。

MSFB-Net概述

如图1所示，MSFB-Net包含三大核心模块：基于编码器-解码器架构的交互式融合模块（IF）、多尺度频率复合注意力（MSFCA）以及跨层边界优化（CLBO）。其中，编码器采用预训练参数化的PVTv2作为主干网络。

输入图像X∈R^C×H×W经PVT编码器提取多层次空间与通道特征后，生成特征金字塔...

实验验证

本节详细评估了MSFB-Net在医学图像分割任务中的表现，涵盖基准数据集、评价指标及与前沿技术的对比。消融实验进一步验证了各模块的贡献。

实时分割性能

临床超声图像分析对实时性要求极高。如表13所示，在BUSI数据集上，传统架构U-Net虽推理速度快，但分割精度不足；MSFB-Net在保持高精度的同时实现了临床可接受的实时性能。

结论

医学图像分割面临三大挑战：局部细节与全局信息的平衡、高频特征完整性保持、深度网络信息传播限制。MSFB-Net通过创新性架构设计为上述问题提供了有效解决方案。