基于频率特征增强的结直肠息肉分割模型

早期息肉检查是防范结直肠癌发病的重要手段，针对现有基于深度学习方法依旧不能准确辨别息肉位置和边缘信息的问题，提出了一种利用傅里叶变换增强频率特征(FFENet)的息肉分割方法。具体地，在FFENet中设计了一个细节特征增强注意力模块和一个全局频率特征学习模块，前者重耦合不同深度的特征并计算三种显著性特征图来细化息肉区域及其边缘；后者在频域中引入可学习的滤波核，以增强息肉与其边缘间的连贯性并捕捉图像像素之间的长距离依赖关系。结合改善的部分解码器和自适应特征选择模块，大量实验结果表明所提出FFENet在五类息肉数据上更具优势。尤其是在ETIS数据集上，对比其他最先进的模型，大模型版本FFENet-L在Dice和IoU指标上分别提升了4%和5.5%，而小模型版本FFENet-S在保持精度相当的同时，仅仅使用了6.2M参数。

目前的研究表明，结直肠癌是全球最常见的恶性肿瘤之一，其发生率在第二到第四位之间，并呈上升趋势。据估计，将近40%年龄大于50 岁的个体至少有一个腺瘤息肉，95%的结直肠癌起源于这些腺瘤息肉的恶性转变。因此，早期发现和筛查息肉对显著降低结直肠癌发生率起着关键作用[1] [2]。结肠镜检查是检测和筛查结直肠息肉的金标准[3]。然而，在结肠镜检查期间手动检测结直肠息肉存在较高比例未诊断和误诊， 特别是对于小于10 毫米大小的息肉[4]。

检测准确度严重依赖医师的专业知识和主观判断力。

因此，使用基于计算机视觉技术来协助医生识别潜在癌前病变非常重要。

由于结肠息肉的各种形状和大小不同，在结肠镜检查过程中对息肉进行视觉估计存在相当大的挑战[5]。息肉分割的有效性受到图像质量可变因素的影响，这些因素包括色度、亮度以及肠道清洁程度。许多用于息肉分割最先进的(SOTA)深度学习方法采用诸如多尺度特征融合、上下文特征聚合和注意机制等策略，以增强分割模型的准确性。[6]-[11]等工作通过计算转置特征图或添加前景和不确定区域特征图来增强模型息肉分割能力。但基于图像阈值计算显著性特征图的方法可能会模糊某些边界细节，在训练过程中导致边缘信息丢失或引入不相关数据。此外，这些方法仅关注边缘和部分身体信息，导致身体和边缘信息之间存在不一致性，进而导致息肉分割性能下降[12] [13]。为了更好地整合身体和边缘信息，[12] [13] [14]等工作提出了将图像的身体和边缘信息解耦的方法。然而，这些方法对两个解耦部分分别优化， 导致当身体和边缘部分耦合时发生特征混叠的问题。

针对这些问题，本文提出了一种新颖的细节特征增强注意(DFEA)模块，利用傅立叶变换在频域中解耦低频和高频信息，从而获取单独的主体和边缘信息，并采用特定优化来进一步增强边缘信息的表示。

处理过的深层主体部分与浅层边缘部分相结合，以获得增强的细节特征图。利用频率关系跨层级特征融