AMN：一種用於細胞核分割的自適應多尺度融合網路，具有邊界和不確定性建模
提出AMN（自適應多尺度細胞核網路），一種雙編碼器分割框架，結合Swin Transformer和ResNet-50特徵金字塔，透過學習的每通道門控機制動態加權各編碼器貢獻。在CoNIC基準上平均Dice 0.82，F1 0.68，優於八種基線模型，並在MoNuSeg上展示強泛化能力。
在病理影像分析中，準確分割和分類細胞核亞型對於腫瘤分級、免疫浸潤量化及預後預測等下游任務至關重要。然而，現有方法通常單獨使用卷積神經網路（CNN）或Transformer作為編碼器，難以同時捕捉精細的區域性紋理和長程空間上下文。針對這一挑戰，研究者提出了AMN（自適應多尺度細胞核網路），一種創新的雙編碼器分割框架。
AMN的核心創新在於聯合利用Swin Transformer和ResNet-50特徵金字塔作為雙編碼器，並透過一個學習的每通道門控機制，在每個尺度上動態權衡每個編碼器的貢獻。這種設計使得網路能夠自適應地融合來自兩種架構的特徵，從而兼顧區域性細節和全域性結構。此外，AMN採用多目標損失函式進行訓練，包括類別加權焦點損失、強調陽性畫素的邊界感知損失，以及一種新穎的不確定性調變分類項，後者能夠抑制過度自信的錯誤預測，提升模型的魯棒性。
在CoNIC基準資料集上，AMN對七種細胞核類別進行了評估，取得了平均Dice係數0.82和平均F1分數0.68的成績，其中在診斷上具有挑戰性的淋巴細胞類別上F1分數達到0.67。與其他八種基線模型（包括純CNN、純Transformer及近期混合架構，如U-Net、ResU-Net、DeepLabV3+、SegNet、ViT-Small、HmsU-Net、ConvFormer-UNet和BEFUnet）相比，AMN在所有指標上均表現更優。進一步的跨資料集評估顯示，AMN在MoNuSeg資料集上無需重新訓練即可實現強大的泛化能力，驗證了其學習表示在領域遷移中的魯棒性。
這項研究表明，透過精心設計的雙編碼器融合與多工學習策略，可以顯著提升病理影像中細胞核分割的準確性和可靠性，為臨床診斷和醫學研究提供有力工具。