デジタル病理の分野では、核分割が定量的解析の基盤となる重要なステップである。しかし、組織画像における核の高密度な分布や染色の不均一性は、自動化手法にとって大きな課題となっている。この課題に対処するため、本論文はMoNuSeg 2018データセット上で軽量なAttention U-Netを実装し、画像とマスクの包括的な前処理を組み合わせたパイプラインを提案している。
前処理では、染色デコンボリューションによって異なる染色成分を分離し、さらにマスクに対して複数回の平滑化を施す。これにより、ノイズやアノテーションのばらつきに起因する影響を軽減し、密集した核や染色のばらつきがある画像でもモデルが安定して学習できるようにしている。
推論段階では、高解像度の全スライド画像を直接ネットワークに入力できないため、オーバーラップするパッチに分割して予測を行い、その後高忠実度でスティッチングする戦略を採用している。この手法の要点は、パッチ境界での分割結果の連続性と正確性を保ち、ブロック状のアーティファクトを防ぐことにある。論文によれば、モデルは学習に使用していないフル解像度のテスト画像でIntersection over Union（IoU）0.8745を記録した。この結果は、注意機構が特徴の局在化を強化する有効性を示すとともに、スティッチング手法が継ぎ目のない正確なセグメンテーションマップを生成できることを裏付けている。
著者らは結論として、Attention U-Netが困難な臨床現場における自動的かつスケーラブルな核輪郭抽出に対して有効で競争力のある手法であると述べている。本論文はarXivのコンピュータビジョンとパターン認識（cs.CV）分野に掲載され、8ページ・8図の構成で、2026年10月22日に投稿された。本研究の貢献はモデル選択だけでなく、前処理と推論を一つのシステムとして最適化し、デジタル病理における核分割の再現可能なエンジニアリング手法を提示した点にある。