의료 영상의 병변 분할은 임상 진단과 치료 계획에 중요하지만 복잡한 배경 간섭과 다양한 병변 형태 때문에 여전히 어렵다. 기존 인코더-디코더 기반 방법은 특징 추출 강화나 디코딩 전략 재설계에 집중해 인코딩 단계의 초기 사전 유도와 특징 재구성이 부족하다. 연구진은 인코딩 전 픽셀 수준 재구성과 인코딩 중 특징 수준 재구성을 수행하는 FreNet을 제안했다. 배경 반응을 억제하기 위해 SAM의 시각적 사전 지식을 활용하는 암묵적 사전 신경망(IPNN)으로 인코딩 전 입력 영상을 재구성하고, 다양한 병변 형태를 다루기 위해 인코딩 중 백본 특징을 점진적으로 재구성하는 이중 도메인 특징 재구성(DFR) 모듈을 설계했다. DFR 내 주파수 분리 모듈은 전경-배경 판별력을 강화하고, 공간 위치화 모듈은 주파수 분리 후 공간 안정성을 개선한다. 세 가지 영상 양식에 걸친 9개 의료 영상 분할 벤치마크 실험에서 FreNet은 최신 기법을 큰 폭으로 능가했으며, 어려운 ETIS 데이터셋에서는 최신 기법 대비 5.0%, SAM 대비 7.2%의 Dice 점수 개선을 달성했다.

• •인코딩 전 픽셀 수준, 인코딩 중 특징 수준 재구성을 결합한 의료 병변 분할 프레임워크 FreNet 제안
• •SAM의 시각적 사전 지식을 활용한 암묵적 사전 신경망(IPNN)으로 배경 반응 억제
• •주파수 분리 모듈과 공간 위치화 모듈로 구성된 이중 도메인 특징 재구성(DFR) 모듈 설계
• •3개 영상 양식, 9개 의료 영상 분할 벤치마크에서 최신 기법을 큰 폭으로 능가
• •어려운 ETIS 데이터셋에서 최신 기법 대비 Dice 5.0%, SAM 대비 7.2% 개선