在组织病理学图像分析中，准确分类细胞核亚型对于肿瘤分级、免疫浸润定量和预后预测等下游任务至关重要。然而，现有方法通常单独依赖卷积神经网络或Transformer编码器，难以同时捕捉细粒度的局部纹理和长程空间上下文。针对这一局限，Spoorthi M等研究者提出了AMN（自适应多尺度细胞核网络），一种双编码器分割框架，相关论文发表于arXiv（编号2606.07633），提交于2026年5月31日。
AMN的核心创新在于其双编码器架构：它同时利用Swin Transformer和ResNet-50特征金字塔，并通过一个可学习的逐通道门控机制进行融合。该门控机制能够在每个尺度上动态权衡两个编码器的贡献，从而自适应地整合局部细节和全局上下文信息。这种设计旨在克服单一编码器架构的固有局限，提升分割精度。
在训练策略上，AMN采用多目标损失函数，结合了三个关键组件：类别加权焦点损失（用于缓解类别不平衡）、边界感知损失（强调正像素以改善边界分割），以及一种新颖的不确定性调制分类项。该分类项通过建模预测不确定性，抑制模型产生过度自信的错误预测，从而提升分割的可靠性。
研究者在CoNIC基准数据集上对AMN进行了评估，涵盖七种细胞核类别。实验结果显示，AMN取得了平均Dice系数0.82和平均F1分数0.68的优异性能。特别是在诊断上具有挑战性的淋巴细胞类别上，F1分数达到0.67。与八种基线模型相比，包括纯CNN架构（如U-Net、ResU-Net、DeepLabV3+、SegNet）、纯Transformer架构（ViT-Small）以及近期混合架构（HmsU-Net、ConvFormer-UNet、BEFUnet），AMN均表现出更优的分割效果。
此外，为了验证模型的泛化能力，研究者进行了跨数据集评估：在MoNuSeg数据集上直接测试AMN而无需重新训练。结果表明，AMN展现出强大的泛化性能，证明了其学习到的表示具有良好的域鲁棒性。这一特性对于临床应用中处理不同来源的图像数据具有重要意义。
该论文属于计算机视觉与模式识别（cs.CV）和人工智能（cs.AI）领域，ACM分类号为I.4.6、I.4.8和I.2.10，MSC分类号为68T07、92C55和68U10。论文全文可通过arXiv获取，并提供了PDF和实验性HTML版本。