近期，由北京理工大学信息与电子学院李伟教授、秦赓等人共同合作完成的医学高光谱图像分割研究取得重要进展。成果论文《Data-Driven Band Optimization and Frequency-Aware Modeling in Medical Hyperspectral Image Segmentation》已被医学影像领域顶级期刊 IEEE Transactions on Medical Imaging （SCI一区，影响因子IF=12.4）。
医学高光谱成像能同时记录组织的空间结构与连续光谱响应，为精准诊断、疾病监测和治疗规划提供分子水平表征能力。与传统 RGB 医学图像相比，高光谱图像包含更加丰富的组织吸收、散射和反射差异，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变化。然而，医学高光谱图像的临床应用仍面临两类关键瓶颈：一方面，现有分割方法通常直接使用全部光谱通道，或依赖主成分分析、人工经验、固定波段选择等策略，容易引入冗余信息并遗漏与诊断相关的关键波段；另一方面，复杂组织中的细微边界、纹理结构与跨波段频率差异尚未得到充分联合建模，限制了模型在不同光谱分辨率、不同空间尺度和不同医学场景中的泛化能力。
图1 AMBS-SF2Net 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割的统一框架 AMBS-SF2Net。该框架从“波段优化”和“频率感知建模”两个层面协同提升模型能力：首先，引入自适应掩码波段选择模块（AMBS），通过探索阶段与稳定阶段交替的训练机制，结合概率掩码、遮挡引导通道评分和梯度敏感性分析，动态识别并稳定保留最具诊断价值的光谱波段，从源头降低冗余波段干扰。
图2 自适应掩码波段选择模块（AMBS）
其次，研究构建了层次化频率建模策略。浅层阶段的自适应空谱频率融合模块（ASFI）结合拉普拉斯金字塔的多尺度边缘提取与傅里叶变换的光谱频率分解，在保留细粒度解剖边界的同时增强频率敏感的组织特征；深层阶段的多轴频率增强模块（MAFE）沿通道轴与空间轴进行频率分解，并通过注意力机制自适应融合不同维度的频率信息，从而增强复杂解剖结构中的全局语义表达和组织区分能力。
图3 自适应空谱频率融合模块（ASFI）
为验证方法的通用性，研究在三个具有代表性的医学高光谱数据集上开展了系统实验，覆盖显微病理组织和宏观生理组织等不同成像尺度和成像设备，包括显微胆道病理数据集（MHCS）、人胎盘数据集（HP）以及 HeiPorSPECTRAL 宏观组织数据集。实验结果表明，AMBS-SF2Net 在多个任务中稳定优于现有主流分割网络。在 MHCS 数据集上，该方法取得 73.28% 的 DSC 和 57.83% 的 IoU；在人胎盘数据集上取得 65.94% 的 DSC 和 54.91% 的 mIoU；HeiPorSPECTRAL 数据集上取得 85.04% 的 DSC 和 79.50% 的 mIoU，体现出良好的跨尺度鲁棒性和泛化能力。
图4 数据集定性分割结果
该研究为医学高光谱图像分割提供了数据驱动的波段优化思路和频率感知建模范式，有助于推动高光谱成像技术在病理诊断、术中导航、组织识别和精准治疗辅助等场景中的应用。
