FreNet框架用SAM视觉先验重构病灶分割特征，在ETIS数据集上Dice较SOTA提升5.0%
新框架在编码前用视觉先验做像素级重构，编码中用频域解耦与空间定位模块做特征级重构，在9个基准上超过现有方法。
AI解读：医学影像病灶分割难在两点：背景复杂干扰，以及病灶形态多样。现有编码器-解码器方法大多在特征提取或解码策略上下功夫，但缺少早期的先验引导和编码过程中的特征重构，所以效果受限。FreNet的解决思路是在编码前先用一个隐式先验神经网络（IPNN）结合SAM的视觉先验，对输入图像做像素级重构来压制背景响应；编码过程中再用双域特征重构模块（DFR），其中频域解耦模块增强前景与背景的区分度，空间定位模块改善空间稳定性，以应对不同形态的病灶。对医生和研究者来说，这意味着分割模型不再只依赖训练数据里见过的形态，而是借助SAM的通用视觉理解能力，在早期就滤掉干扰信息；同时频域与空间域的配合，使得不规则、边界模糊的病灶也能被更稳定地分割。不过需要留意，这是arXiv预印本，尚未经同行评议，性能数据仅限于论文报告的基准和数据集，实际临床效果需进一步验证。
9月3日提交至arXiv的预印本论文提出一种名为FreNet的医学病灶分割框架，融合视觉先验进行特征重构，在9个跨越三种成像模态的医学图像分割基准上超过现有最先进方法（SOTA）。
论文由Yinan Liu、Jiankang Hong、Zhen Gao、Ye Lu撰写，标题为“Feature Reconfiguration With Visual Prior for Medical Lesion Segmentation”（arXiv:2609.03535v1）。
提出动机与两大核心难点
作者认为，现有编码器-解码器方法主要集中于增强特征提取或重新设计解码策略，但在编码阶段缺乏早期先验引导和特征重构，限制了处理以下挑战的能力：一是复杂的背景干扰，二是多样的病灶形态。
FreNet的两阶段重构机制
FreNet在编码前执行像素级重构，编码过程中执行特征级重构。具体上，为压制背景响应，论文提出隐式先验神经网络（IPNN），建模连续空间场并利用来自SAM的视觉先验，在编码前重构输入图像。
- 为处理多样病灶形态，FreNet设计了双域特征重构（DFR）模块，在编码阶段逐步重构骨干网络特征。
- DFR内部包含频域解耦模块（FDM），在频域解耦骨干特征以增强前景-背景可区分性；以及空间定位模块（SLM），在频域解耦后对空间位置进行重定位并提升空间稳定性。
实验与性能
在9个医学图像分割基准、三种成像模态上的大量实验显示，FreNet明显优于现有SOTA方法。论文报告称，在挑战性较大的ETIS数据集上，FreNet的Dice指标比SOTA方法提升5.0%，比SAM提升7.2%。