AMN：一种用于细胞核分割的自适应多尺度融合网络，具有边界和不确定性建模
提出AMN（自适应多尺度细胞核网络），一种双编码器分割框架，结合Swin Transformer和ResNet-50特征金字塔，通过学习的每通道门控机制动态加权各编码器贡献。在CoNIC基准上平均Dice 0.82，F1 0.68，优于八种基线模型，并在MoNuSeg上展示强泛化能力。
在病理图像分析中，准确分割和分类细胞核亚型对于肿瘤分级、免疫浸润量化及预后预测等下游任务至关重要。然而，现有方法通常单独使用卷积神经网络（CNN）或Transformer作为编码器，难以同时捕捉精细的局部纹理和长程空间上下文。针对这一挑战，研究者提出了AMN（自适应多尺度细胞核网络），一种创新的双编码器分割框架。
AMN的核心创新在于联合利用Swin Transformer和ResNet-50特征金字塔作为双编码器，并通过一个学习的每通道门控机制，在每个尺度上动态权衡每个编码器的贡献。这种设计使得网络能够自适应地融合来自两种架构的特征，从而兼顾局部细节和全局结构。此外，AMN采用多目标损失函数进行训练，包括类别加权焦点损失、强调阳性像素的边界感知损失，以及一种新颖的不确定性调制分类项，后者能够抑制过度自信的错误预测，提升模型的鲁棒性。
在CoNIC基准数据集上，AMN对七种细胞核类别进行了评估，取得了平均Dice系数0.82和平均F1分数0.68的成绩，其中在诊断上具有挑战性的淋巴细胞类别上F1分数达到0.67。与其他八种基线模型（包括纯CNN、纯Transformer及近期混合架构，如U-Net、ResU-Net、DeepLabV3+、SegNet、ViT-Small、HmsU-Net、ConvFormer-UNet和BEFUnet）相比，AMN在所有指标上均表现更优。进一步的跨数据集评估显示，AMN在MoNuSeg数据集上无需重新训练即可实现强大的泛化能力，验证了其学习表示在领域迁移中的鲁棒性。
这项研究表明，通过精心设计的双编码器融合与多任务学习策略，可以显著提升病理图像中细胞核分割的准确性和可靠性，为临床诊断和医学研究提供有力工具。