يعد تقسيم الآفات في الصور الطبية أحد العناصر الأساسية في تشخيص الأمراض والتخطيط العلاجي. رغم التقدم الملحوظ في هذا المجال، لا يزال تقسيم الآفات يمثل تحدياً كبيراً بسبب تأثيرات الخلفية المعقدة وتنوع أشكال الآفات. تركّز الأساليب الحالية المعتمدة على الشبكات العصبية من نوع المرمز-المفكك (Encoder-Decoder) بصورة أساسية على تحسين استخراج الميزات أو إعادة تصميم استراتيجيات فك التشفير. ومع ذلك، تفتقر هذه الحلول إلى توجيه مسبق في المراحل الأولى وإعادة تكوين الميزات خلال مرحلة التشفير، مما يحد من فعاليتها في مواجهة هذه التحديات.

في هذا السياق، يقدم فريق البحث إطار FreNet كحل مبتكر، حيث يعتمد هذا الإطار على إعادة تكوين الميزات مع الأولويات البصرية. يعمل FreNet على إعادة تكوين دقيق للصورة على مستوى البيكسل قبل مرحلة التشفير، وأيضاً على مستوى الميزات أثناء مرحلة التشفير للتمكين من تقسيم الآفات الطبية بدقة أعلى.

للتعامل مع ردود الفعل غير المرغوب فيها من الخلفية، يستخدم الإطار شبكة عصبية ذات أولويات ضمنية (Implicit Prior Neural Network - IPNN)، التي تعمل على نمذجة مجال مكاني مستمر وتوظّف أولويات بصرية من نموذج SAM لإعادة تكوين الصورة المدخلة قبل مرحلة التشفير. لتسهيل التعامل مع تنوع أشكال الآفات، تم تصميم وحدة إعادة تكوين الميزات ذات المجال المزدوج (Dual-domain Feature Reconfiguration - DFR) والتي تقوم بإعادة تكوين الميزات الرئيسية بشكل تدريجي خلال مرحلة التشفير.

داخل وحدة DFR، تعمل وحدة فصل الترددات (Frequency Decoupling Module - FDM) على فصل الميزات في مجال التردد لتعزيز قدرة التمييز بين المقدمة والخلفية، بينما تعمل وحدة تحديد المواقع المكانية (Spatial Localization Module - SLM) على تحسين الاستقرار المكاني بعد فصل التردد.

تظهر التجارب المنفذة على 9 معيار لتقسيم الصور الطبية عبر ثلاث تقنيات تصوير أن FreNet يتفوق بشكل كبير على الأساليب الحالية في هذا المجال. في اختبار مجموعة بيانات ETIS الصعبة، حققت طريقتنا تحسينات في معدل Dice تصل إلى 5.0% مقارنةً بأسلوب SOTA و7.2% مقارنةً بنموذج SAM. هذا التطور يشكل خطوة هامة نحو تحسين تشخيص الأمراض والعلاج.