مقاله FEFormer: ترنسفورمر بینایی تقویت‌شده با فرکانس برای استخراج دانش عمومی و ادغام ویژگی تطبیقی در بخش‌بندی تصاویر پزشکی حجمی

ترجمه چکیده:

تقسیم‌بندی دقیق اندام‌ها و ضایعات در تصاویر پزشکی برای کاربردهای بالینی از جمله تشخیص، پیش‌آگهی و برنامه‌ریزی درمان ضروری است. در حالی که ترانسفورمرهای بینایی (ViTs) عملکرد تقسیم‌بندی چشمگیری از خود نشان داده‌اند، اما در طراحی ماژول و معماری با چالش‌های کلیدی روبرو هستند. به طور خاص، خود-توجه (self-attention) در ثبت ویژگی‌های محلی ریز که برای درک ساختارهای دقیق آناتومیکی حیاتی هستند، دچار مشکل است، ماژول‌های استاندارد MLP فاقد مکانیسم‌های صریحی برای حفظ اطلاعات مکانی هستند، معماری‌های متداول رمزگذار-رمزگشا (encoder-decoder) به استراتژی‌های ادغام ویژگی ساده‌ای متکی هستند که نمی‌توانند عدم تطابق‌های معنایی بزرگ را مدیریت کنند، و طرح‌های موجود فاقد مکانیسم‌های صریحی برای انتشار اطلاعات سطح پایین از رمزگذار به رمزگشا هستند. برای رفع این محدودیت‌ها، ما یک ترانسفورمر بینایی تقویت‌شده با فرکانس (FEFormer) را برای تقسیم‌بندی حجمی تصاویر پزشکی قوی و کارآمد پیشنهاد می‌کنیم که اطلاعات فرکانسی را به طور صریح مدل‌سازی می‌کند تا زمینه جهانی و جزئیات ساختاری دقیق را به طور مشترک ثبت کند. FEFormer شامل چهار جزء نوآورانه است: یک ماژول خود-توجه پویا تقویت‌شده با فرکانس (FDSA) که جزئیات محلی ریز و وابستگی‌های دوربرد جهانی را از طریق کانولوشن حفظ‌کننده محلی با توجه در حوزه فرکانس به طور مشترک ثبت می‌کند؛ یک MLP گیتینگ تجزیه‌شده با فرکانس (FGMLP) که اجزای فرکانس پایین و بالا را به طور انطباقی برای نمایش معنایی و ساختاری بهبود یافته مدل‌سازی می‌کند؛ یک ماژول ادغام ویژگی انطباقی هدایت‌شده با موجک (WAFF) که ادغام ویژگی‌های رمزگذار-رمزگشا را به طور سازگار از نظر معنایی در حوزه فرکانس امکان‌پذیر می‌سازد؛ و یک پل ساقه بین مقیاسی فعال‌شده با فرکانس (FCSB) که انتشار ویژگی‌های سطح پایین را در مقیاس‌های مختلف بهبود می‌بخشد. FEFormer که بر روی چهار وظیفه متنوع تقسیم‌بندی تصاویر پزشکی حجمی ارزیابی شد، عملکرد تقسیم‌بندی برتری را با کارایی محاسباتی بالا در مقایسه با روش‌های پیشرفته (state-of-the-art) به دست آورد.

Accurate segmentation of organs and lesions in medical images is essential for clinical applications including diagnosis, prognosis, and treatment planning. While Vision Transformers (ViTs) have shown impressive segmentation performance, they face key challenges in module and architecture design. Specifically, self-attention struggles to capture fine-grained local features critical for understanding detailed anatomical structures, standard MLP modules lack explicit mechanisms to preserve spatial information, conventional encoder-decoder architectures rely on naive feature fusion strategies that cannot handle large semantic discrepancies, and existing designs lack explicit mechanisms to propagate low-level information from encoder to decoder. To address these limitations, we propose a Frequency-enhanced Vision Transformer (FEFormer) for robust and efficient volumetric medical image segmentation that explicitly models frequency information to jointly capture global context and fine structural details. FEFormer comprises four novel components: a Frequency-enhanced Dynamic Self-Attention (FDSA) module that jointly captures fine-grained local details and global long-range dependencies through locality-preserving convolution with frequency-domain attention; a Frequency-decomposed Gating MLP (FGMLP) that adaptively models low- and high-frequency components for enhanced semantic and structural representation; a Wavelet-guided Adaptive Feature Fusion (WAFF) module that enables semantically consistent encoder-decoder feature integration in the frequency domain; and a Frequency-enabled Cross-scale Stem Bridge (FCSB) that enhances low-level feature propagation across scales. Evaluated on four diverse volumetric medical image segmentation tasks, FEFormer achieved superior segmentation performance with high computational efficiency compared to state-of-the-art methods.