MSWAFFNet：通过多尺度小波注意力机制的特征融合技术提升细胞核的分割效果

《Frontiers in Signal Processing》：MSWAFFNet: improved segmentation of nucleus using feature fusion of multi scale wavelet attention

细胞核分割方法研究，提出多尺度波尔特融合注意力网络MSWAFFNet，结合2D离散小波变换提取高频边界特征，设计边界感知注意力机制和跨尺度注意力特征融合模块，通过预处理统一数据分布，在DSB、TNBC、CoNIC三个公开数据集上获得91.33%、80.56%、91.03%的Dice系数，显著优于现有U-Net变体及波尔特指导网络。

　　在数字病理学领域，细胞核分割是一项至关重要的任务，尤其是在癌症诊断和治疗效果评估中。准确识别和分割细胞核不仅能帮助病理学家更高效地分析组织切片图像，还能为后续的医学研究和临床决策提供可靠的依据。然而，由于组织切片图像中细胞核的结构、颜色和形态存在高度的多样性，实现自动化的核分割仍然是一个极具挑战性的问题。尽管近年来基于深度学习的图像分割技术取得了显著进展，但在面对复杂的病理图像时，模型仍面临诸多挑战，如图像质量差异、染色方式不同、细胞边界模糊、癌症亚型之间的强度不均以及细胞核之间的紧密聚集或重叠等问题。

为了解决这些问题，研究者们不断探索新的网络架构和特征融合策略。传统的U-Net结构虽然在许多基准数据集上表现优异，但在处理更复杂或多样化的数据时，其性能会显著下降。为提升分割效果，一些改进型U-Net架构被提出，如引入瓶颈卷积层以提高计算效率和分割精度的Fast U-Net，以及结合注意力机制和密集连接的HanNet等。这些方法在一定程度上改善了模型的表现，但仍然存在局限性，尤其是在特征融合策略方面。许多模型采用简单的特征拼接或直接相加方式，缺乏对多尺度特征的自适应融合能力，这在处理具有高度空间和语义变化的细胞核时尤为明显。

针对上述问题，本研究提出了一种新的网络架构——多尺度小波融合注意力网络（MSWAFFNet）。该网络的核心思想是通过引入一种改进的注意力特征融合（AFF）机制，将不同尺度下的U-Net提取的高频率特征进行有效整合。这一策略旨在增强模型对细胞核边界信息的感知能力，从而提升整体的分割精度。为了进一步提高模型的泛化能力和鲁棒性，研究团队还设计了一套全面的预处理流程，以统一不同数据集的颜色分布和统计特性，从而减少数据多样性带来的影响。

预处理流程主要包括三个关键步骤：图像增强、颜色强度变换和对比度增强与反转。图像增强通过翻转、旋转、平移和随机裁剪等方式，扩大训练数据的多样性，提高模型对不同数据分布的适应能力。颜色强度变换采用LAB色彩空间转换方案，该方法能够保留原始图像的结构信息，并在不同色彩空间之间实现更一致的亮度和颜色统计特征。而对比度增强和反转则通过调整图像的亮度分布，使得原本在不同图像中表现差异较大的细胞核边界信息更加清晰可见，从而为后续的分割任务提供更丰富的特征信息。

在模型结构方面，MSWAFFNet引入了边界小波感知注意力模块（BWA），该模块由两个主要部分组成：小波引导注意力单元（WGAU）和边界感知单元（BAU）。WGAU通过离散小波变换（DWT）提取图像的多尺度特征，并利用这些特征生成一个用于指导注意力机制的门控向量。该门控向量与输入张量进行线性变换和加权融合，从而增强模型对高频率边界信息的敏感度。而BAU则在不同层级的U-Net中引入额外的分支，通过注意力机制和特征聚合，输出不同尺度下的边界信息图。这些边界信息图随后通过上采样操作进行融合，最终形成一个具有更精确边界信息的输出。

为了进一步优化特征融合过程，研究团队引入了多尺度边界融合模块（MSBF）。该模块采用注意力特征融合（AFF）机制，通过全局通道注意力和局部通道注意力的结合，生成自适应的融合权重。这些权重能够动态地调整不同尺度特征的贡献度，使得模型在融合过程中更关注于对细胞核识别有帮助的区域。这种方法不仅保留了原始图像的细节信息，还增强了模型对边界特征的识别能力，从而在复杂图像中实现更精确的分割。

为了验证该模型的有效性，研究团队在三个公开的病理数据集上进行了广泛的实验评估。这些数据集包括DSB-2018（Data Science Bowl）、TNBC（Triple-Negative Breast Cancer）和CoNIC（Colon Nuclei Image Challenge）。每个数据集都具有不同的图像来源、组织类型和染色方式，因此具有较高的多样性。实验结果显示，MSWAFFNet在这些数据集上的Dice系数分别达到了91.33%、80.56%和91.03%，表明该模型在不同场景下均表现出良好的分割性能。此外，研究团队还使用了多种评估指标，如交并比（IOU）、精确率（Precision）、召回率（Recall）和准确率（Accuracy），以全面衡量模型的性能。

通过对比实验，研究团队发现，与传统方法相比，MSWAFFNet在处理细胞核密集分布或重叠区域时具有明显优势。在一些具有挑战性的图像分割任务中，其他模型往往无法准确识别出所有细胞核，而MSWAFFNet通过结合小波变换和注意力机制，能够更有效地捕捉到细节信息，从而提高分割的准确性和鲁棒性。此外，研究团队还对模型进行了消融实验，分析了不同模块对整体性能的影响。结果显示，引入BWA模块和AFF机制对提升分割效果起到了关键作用，而预处理步骤则为模型的稳定训练提供了重要保障。

尽管MSWAFFNet在多个数据集上表现出色，但在实际临床应用中仍面临一些挑战。例如，不同医院的图像采集设备和染色流程可能存在差异，导致图像质量不稳定。此外，图像中的噪声、低对比度和焦外模糊等问题也会影响模型的性能。为了解决这些问题，研究团队提出了一些未来的改进方向。一方面，他们计划使用真实临床数据进一步优化模型，以提高其在实际医疗场景中的适应能力。另一方面，他们希望将该模型集成到病理医生的日常诊断流程中，使其能够在实际应用中实现实时的分割结果评估和验证。

总的来说，MSWAFFNet的提出为细胞核分割问题提供了一种新的解决方案。通过结合小波变换和注意力机制，该模型不仅提升了对细胞核边界信息的感知能力，还通过多尺度特征融合增强了分割的准确性和鲁棒性。此外，该研究还强调了预处理在提高模型性能中的重要性，为后续的模型优化和实际应用提供了有价值的参考。随着深度学习技术的不断发展，结合小波变换和注意力机制的模型有望在病理学领域发挥更大的作用，为医生提供更加精准的图像分析工具，从而推动医学影像分析技术的进步。