从像素到精密双流深度网络用于病理核细分
Rashid Nasimov1, Kudratjon Zohirov2, Adilbek Dauletov3
1Department of Computer Engineering, Gachon University Sujeong-Gu, Seongnam-si 13120, Gyeonggi-Do, Republic of Korea.
Bioengineering (Basel, Switzerland)
|August 28, 2025
概括
一个新的深度学习模型,双流超融合网络 (DS-HFN),在细胞病理图像中准确地细分细胞核. 这种计算病理学工具平衡了背景和精度, 改善了疾病诊断和生物标志物分析.
科学领域:
- 计算病理学
- 数字病理学
- 生物医学图像分析
背景情况:
- 精确的细胞核细分对于计算病理学至关重要,影响疾病诊断和生物标志物分析.
- 现有的深度学习模型难以平衡全球环境与精确的边界检测, 特别是重叠或变形的核.
研究的目的:
- 引入一种新的深度学习模型,即双流超融合网络 (DS-HFN),用于强大而准确的细胞核细分.
- 解决将语义上下文和细微边界细节整合到病理学图像中的挑战.
主要方法:
- DS-HFN使用双流编码器同时捕获语义和边缘焦点特征.
- 一个以注意力驱动的超特征嵌入模块 (HFEM) 融合了这些特征.
- 双解码器架构和梯度调整损失功能提高了结构精度.
主要成果:
- 在所有评估指标中,DS-HFN在基准数据集 (TNBC,MoNuSeg) 中表现优于30个最先进的模型.
- 与现有方法相比,该模型在核细分方面表现出更高的准确性.
- DS-HFN也显示了计算成本的降低.
结论:
- DS-HFN为数字病理学中精确的细胞核细分提供了强大的解决方案.
- 该模型精确地划分细胞核对于临床诊断和生物标志物分析至关重要.
- DS-HFN通过提高细分精度和效率来推进计算病理学领域.


