近期，由北京理工大学信息与电子学院陈琦恺、刘欢老师、秦庚、夏香根教授、李伟教授和陶然教授共同合作完成的医学高光谱图像分类研究取得重要进展。成果论文《A Dynamic Fractional Fourier Transformer with Local–Global Spectral Attention for Medical Hyperspectral Image Classification》已被图像处理领域顶级期刊 IEEE Transactions on Image Processing（SCI一区，影响因子IF= 15.3）接收。

医学高光谱成像能够同步获取组织的空间结构与连续光谱信息，为隐匿病灶检测、组织生化识别和病理模式判别提供分子水平表征能力。与传统 RGB 医学图像相比，高光谱图像覆盖更宽的电磁频谱，有助于揭示病灶组织与正常组织之间肉眼难以分辨的细微光谱差异，对胃癌等疾病的早期诊断具有重要价值。然而，现有医学高光谱分类方法仍面临两类关键瓶颈：一方面，常规卷积神经网络难以充分建模跨波段的长程光谱依赖，而标准 Transformer 虽具备全局建模能力，却容易对非平稳病理细节产生过平滑，难以将高频病灶信息与低频全局结构动态分离；另一方面，固定基函数的傅里叶变换缺乏对非平稳病理信号的自适应表征能力，且标准自注意力的二次复杂度也限制了高维高光谱数据的高效处理。

图1 FracTrans 总体框架

基于上述问题，研究提出了一种面向医学高光谱图像精准分类的统一框架 FracTrans。该框架将可学习分数阶傅里叶变换（FrFT）与 Transformer 架构深度融合，从“自适应空频分解”和“局部—全局光谱注意力”两个层面协同提升模型能力：首先，构建核心模块FrTrans，将可学习分数阶阶次嵌入自注意力机制，实现从空域到频域的连续旋转与自适应分解，从而动态分离高频病理细节与低频全局趋势；同时引入随机频模采样策略，将注意力计算约束到紧凑的 K 维子空间，使token 混合复杂度降至O(N log N)，有效缓解高维医学高光谱数据上的二次计算瓶颈。

图2 分数阶傅里叶变换（FrFT）空频旋转示意

其次，研究设计了局部—全局光谱注意力机制（L-GSA）。其中，局部光谱注意力（LSA）通过滑动窗口捕获细粒度波段相关性并缓解边界不连续问题；全局光谱注意力（GSA）则借助动态特征聚合建模长程跨波段依赖。二者协同作用，使模型在保留局部病理细节的同时增强全局光谱语义表达。此外，FracTrans 结合多尺度补丁嵌入与特征融合模块，进一步强化空谱联合表征，并在分类阶段通过自适应池化聚焦病理区域。

图3 局部—全局光谱注意力模块（L-GSA）

为验证方法的有效性与鲁棒性，研究在多维胆道数据集（MDC）和胃癌癌前病变数据集（PLGC）上开展患者级五折交叉验证，并与十二种主流方法进行系统对比。实验结果表明，FracTrans 在多项核心指标上稳定优于现有方法。在MDC 数据集上，该方法取得 93.09% 的准确率（ACC）、93.06% 的F1 分数和 98.22%的AUC；在PLGC 数据集上取得 92.57% 的ACC、92.86% 的 F1 分数和 98.86% 的 AUC，且多数提升具有统计学显著性。消融实验进一步表明，将FrTrans 模块引入基线可带来约7.35% 的准确率提升。与此同时，FracTrans 仅需约 8.79M 参数和11.64G FLOPs，峰值显存约150 MB，在精度与效率之间取得了良好平衡。

图4 数据集分类结果与特征可视化

该研究首次将分数阶傅里叶变换系统引入医学高光谱图像分类，为非平稳病理信号的自适应空频建模提供了新范式，有助于推动高光谱成像技术在病灶检测、计算机辅助诊断和精准病理分析等场景中的应用。

论文题目：A Dynamic Fractional Fourier Transformer with Local–Global Spectral Attention for Medical Hyperspectral Image Classification

开源代码：https://github.com/chenqikai908-stack/FracTrans

DOI: 10.1109/TIP.2026.3729466.