基于频域解耦与双注意力机制的医学图像分割多目标优化研究

为解决医学图像分割中多尺度解剖结构建模与计算效率难以平衡的难题，来自国内的研究团队创新性地提出"频率注意力多层级网络(FreqAtt-MultHier-Net)"。该研究通过可学习的双频块(DFB)实现高频细节与低频语义特征解耦，结合多尺度双注意力融合块(MSDAFB)和轻量级ConvMixer模块，在6类病灶分割任务中平均DSC达88.18%，参数量(25.48M)和计算成本(5.84G FLOPs)较Transformer架构降低75.9%-84.9%，为临床低功耗部署提供高精度解决方案。

　　

医学影像分割领域长期面临"鱼与熊掌"的困境——既要精准捕捉细胞轮廓(^{95.64% DSC})、肿瘤边界(^{85.86% DSC})等高频细节，又要高效建模器官整体语义特征。这项突破性研究如同给计算机装上了"频谱眼镜"：双频块(DFB)通过智能通道分流技术，让网络自动区分高频(细节)和低频(语义)特征，配合跨频段动态校准，使细胞核分割精度提升^18.8%；多尺度双注意力融合块(MSDAFB)则像"智能探照灯"，用通道-空间双注意力配合多核卷积，有效抑制CT图像中的背景噪声；而轻量级ConvMixer模块以_78.3%的FLOPs降幅，实现了不输Transformer的长程依赖建模。在肺结节、皮肤癌等六大临床任务中，该方案以<25M的参数量达成行业领先指标，其5.84G FLOPs的超低计算开销，甚至可在便携式医疗设备流畅运行。这项"既省电又眼尖"的技术，为AI辅助诊断的基层推广点亮了新路标。