No diagnóstico assistido por computador de imagens médicas (CAD), modelos de aprendizado profundo utilizam correlações falsas entre a região da lesão e a região de fundo para realizar previsões, o que leva a uma diminuição na capacidade de generalização e robustez do modelo. Para resolver esse problema, este artigo propõe um método de redução de viés chamado QSMFormer, baseado na divisão e fusão de tokens em árvore quadra para diagnóstico assistido por computador. As principais contribuições são: primeiro, o design de um módulo de avaliação de heterogeneidade que acopla espaço e semântica. Por meio da modelagem conjunta das diferenças na distribuição de saliência regional e da consistência semântica, avalia adaptativamente a complexidade regional. Em segundo lugar, a construção de um método recursivo de divisão de tokens em árvore quadra baseado na heterogeneidade regional para dividir finamente áreas estruturalmente complexas, preservando características chave das lesões. Finalmente, a construção de um módulo de fusão de tokens regionais consciente da semântica e da saliência, que une dinamicamente regiões adjacentes com base na similaridade e saliência dos tokens, utilizando a estratégia Top-K para selecionar tokens-chave, reduzindo informações redundantes de fundo e reforçando a consistência da representação semântica regional. O método foi validado nos conjuntos de dados Kaggle de raio-X torácico e Sharmin 9+1 (um conjunto de dados oftalmológico com dez classes), obtendo 98,51% de acurácia e 97,02% de F1-score no Kaggle, e 98,26% de acurácia e 92,60% de F1-score no Sharmin 9+1, respectivamente. Os resultados mostram que o QSMFormer pode melhorar a estabilidade do modelo contra perturbações de fundo enquanto melhora a performance de classificação, e mitigar em certa medida o impacto das correlações falsas potenciais causadas por informações de fundo não sujeitas.

Classificação de imagens médicas; atenuação de correlações falsas latentes; Vision Transformer; divisão de tokens em árvore quadra; fusão de tokens regionais