基于频率增强上下文转换网络的食管病灶精准分割方法研究

本文推荐一种创新的频率增强上下文转换网络(FCC-Net)，通过构建多模态食管癌(EC)病灶分割新基准，融合频率域特征(FCM模块)与跨尺度特征(SCF模块)，有效解决早期食管病灶因形态扁平、黏膜颜色相近导致的识别难题。该方法在EEC-NBI/WLI数据集上超越18种现有医学分割模型，为临床内窥镜诊断提供智能化解决方案。

　　

Highlight亮点

• 构建首个涵盖多种食管早癌类型的标准化分割基准，包含高质量标注数据、开源代码及基线模型对比，推动EC病灶分割领域发展

• 提出创新性FCC-Net框架，通过频率增强上下文模块(FCM)捕获全局语义信息，并利用频域特征精确定位病灶边缘

• 设计尺度诱导跨层融合模块(SCF)，通过差异化卷积核实现多尺度特征学习，有效应对病灶尺寸变异

• 开发上下文转换模块(CCM)，将边界增强线索与多层次特征动态融合，显著提升分割精度

Segmentation of Esophageal Cancer食管癌分割现状

现有计算机辅助诊断(CAD)系统如DNN-CAD²²和DeepLab V3+¹¹已尝试食管病灶定位，但面临小样本数据集和病灶形态复杂等挑战。SegNet⁶虽实现EC恶性病变的实时分割，但对早期扁平病灶敏感性不足。

Methodology方法学

FCC-Net采用编码器-解码器架构：

1. FCM模块通过快速傅里叶变换(FFT)提取频域特征，增强边缘响应

2. SCF模块采用3×3/5×5并行卷积捕获跨层多尺度特征

3. CCM模块通过空间注意力机制融合上下文与边界线索

Datasets and Settings数据集与设置

使用EEC-NBI（窄带成像）、EEC-WLI（白光成像）及公开EEC-2022¹³数据集验证：

• NBI图像通过蓝光激发显著提升病灶对比度

• WLI图像需克服炎症干扰与黏膜边界混淆

Conclusion结论

FCC-Net在三种内窥镜模态数据上均展现最优性能，其频域分析策略为消化道早癌智能诊断开辟新途径。本基准的发布将加速EC精准诊疗研究进程。