病灶分割在医学影像中是临床诊断和治疗规划的关键。当前仍受两大难点制约：背景干扰复杂和病灶形态多样。主流的编码‑解码网络多聚焦特征提取或解码策略的改进，却缺乏编码前的先验引导和特征重构，导致在上述场景下表现受限。为此我们提出 FreNet——一种基于视觉先验的特征重构框架。FreNet 在编码前对像素进行重构，并在编码过程中对特征进行层级重构，以实现精确的病灶分割。为抑制背景响应，设计了隐式先验神经网络（IPNN），它通过连续空间场建模并借助 SAM 提供的视觉先验，对输入图像进行预处理。为适应形态多样的病灶，构建了双域特征重构（DFR）模块，在编码阶段逐层重构主干特征。DFR 包含频域解耦模块（FDM），将特征在频域上分离以提升前景‑背景可分性；随后空间定位模块（SLM）在频域解耦后进行空间迁移，增强空间稳定性。我们在 9 个涵盖三种成像模态的医学分割基准上进行广泛实验，FreNet 在所有指标上均显著超越最新方法。在挑战性 ETIS 数据集上，Dice 提升分别为相对 SOTA 5.0% 和相对 SAM 7.2%。
点评：FreNet 通过先验驱动的像素预处理和双域特征重构，有效缓解背景干扰并提升形态适应性，展示了在多模态医学分割任务中的强大潜力。