摘要：深度学习在细胞核分割中具有重要作用,但在病理诊断中仍面临着细胞核图像的细微特征难以提取、核边缘模糊等问题。针对上述问题,本文提出了一种结合注意力机制的细胞核分割网络。该网络使用U型网络(UNet)作为基本结构,以深度可分离残差卷积(DSRC)模块作为特征编码,避免丢失细胞核边界信息;特征解码引入坐标注意力(CA)加强特征空间上远程距离,突出细胞核位置的关键信息;最后,设计语义信息融合(SIF)模块整合深浅层特征,改善分割效果。在2018数据科学碗(DSB2018)和三阴乳腺癌(TNBC)数据集上分别进行实验,所提方法的精确率在两个数据集上分别为92.01%、89.21%,灵敏度为90.09%、91.10%,平均交并比为89.01%、89.12%。实验结果表明,本文所提方法能有效分割细胞核细微区域,提升分割准确度,为临床诊断提供可靠依据。

摘要：针对卷积神经网络在执行病理图像分割任务时,特征提取单一导致分割性能较差的问题,提出了一种结合拆分注意力跨通道特征融合的病理图像分割网络。首先以UNet为基本结构,设计了空洞拆分注意力模块来提取并融合病理图像上细节特征,以增强通道间的特征交互能力,提高分割精度。其次,设计了深度残差幻影模块,在解码特征融合阶段有效获取足够丰富的特征图。最后在公开数据集DSB2018、MoNuSeg上实验,其灵敏度分别为90.13%、89.23%,准确率分别为92.89%、92.51%。为进一步验证算法有效性,将来自合作单位的病理图像自制成数据集ColonCancer,其准确率和灵敏度分别为90.15%、89.94%。实验结果表明,该方法相较于UNet、ResUNet、GhostUNet、TransUNet等算法有效提升了病理图像分割性能,并对实现不同组织病理图像的分割任务具有一定参考价值和意义。