HBTF-Net：一种分层贝叶斯多任务融合网络，用于宫颈细胞的联合分类与分割

《Biomedical Signal Processing and Control》：HBTF-Net: A hierarchical Bayesian multi-task fusion network for joint classification and segmentation of cervical cells

宫颈癌细胞图像的形态与纹理特征分离及多任务联合优化模型研究。提出HBTF-Net网络，创新性地设计SAFT模块分离形态与纹理特征，CAJA模块整合多尺度特征，采用变分推断与混合损失函数优化。在两个数据集上验证模型效果，分类准确率92.26%，Dice系数97.14%，显著优于传统方法。

　　宫颈癌仍然是全球女性癌症相关死亡的主要原因之一。尽管基于细胞学的筛查方法是主要的诊断手段，但传统的手工解读存在观察者间差异较大以及效率有限的问题。现有的深度学习方法在宫颈细胞分析中难以稳健地建模形态学的多样性，无法有效地分离形状和纹理特征，且在预测不确定性量化方面表现不足。为此，我们提出了HBTF-Net，这是一种新颖的分层贝叶斯多任务融合网络，用于宫颈细胞的联合分割和分类。该框架引入了三项关键创新：一种形状-纹理特征解耦模块（SAFT），利用双路径编码器和概率生成模型来分离形状和纹理特征的潜在分布；一种分类-注意力联合聚合模块（CAJA），通过级联注意力机制整合多尺度特征，包括卷积块注意力模块（CBAM）和局部-全局注意力变换（LGAT）；以及一种结合变分推理、交叉熵和混合Dice损失的复合损失函数，用于端到端优化。变分推理和重参数化技术确保了高效的学习和不确定性量化。我们分别在私有数据集（HJPD，包含7个类别，共1555张图像）和公共基准数据集（DSCC，共15509张图像）上进行了全面的实验。HBTF-Net在所有评估指标上均表现出色，分类任务在HJPD上达到69.13%的准确率，在DSCC上达到92.26%的准确率；分割任务在HJPD上达到96.96%的Dice系数，在DSCC上达到97.14%的Dice系数。消融实验验证了贝叶斯建模和多任务学习之间的协同效应，而跨数据集泛化实验则确认了SAFT模块在不同染色协议下的可迁移性。HBTF-Net为可解释且精确的宫颈细胞学分析提供了一个有效的解决方案，其增强的不确定性量化和特征可解释性对临床决策具有重要意义。显式的形状-纹理解耦和分层贝叶斯框架为计算机辅助宫颈癌筛查系统提供了有价值的见解。

宫颈癌是影响全球女性健康和生命安全的最常见恶性肿瘤之一，其危害程度在许多发展中国家尤为突出。世界卫生组织的流行病学数据显示，全球每年新增宫颈癌病例约57万例，死亡病例约35万例。这种疾病的高负担与不完善的筛查体系和有限的预防措施密切相关。早期发现和及时治疗对于改善患者预后至关重要，研究表明，若能对癌前病变和早期病变进行有效管理，其五年生存率可超过90%。因此，宫颈癌筛查和诊断的自动化技术具有重要的临床价值和社会意义。

在宫颈癌筛查中，细胞学检查，特别是巴氏涂片（Pap smear）方法，仍然是不可或缺的手段。该方法通过收集并显微镜下评估脱落的宫颈上皮细胞，以识别可能表明肿瘤形成的形态学异常。然而，传统的手工细胞学分析存在诸多局限，包括观察者之间的差异、诊断效率低下以及操作者疲劳导致的误判。实际上，手动分析的假阴性率在20%至30%之间，可能导致临床重要病变的误诊。因此，开发自动化细胞分割和分类技术具有重要的现实意义。

当前的宫颈细胞分析方法大多采用端到端的卷积神经网络架构，处理原始图像而不明确区分形态学和纹理特征。这些统一的网络框架中，纹理特征（如细胞质染色强度和核染色质分布）与形态学特征（如核尺寸和几何规律）被同时处理，从而限制了针对特定特征的专用处理策略。此外，分类和分割任务通常被独立处理，未能充分利用任务间的协同效应和全面的特征共享机制。深度学习模型往往被视为黑箱系统，缺乏可解释的中间表示，难以提供特征提取过程的深入洞察。同时，现有方法未能充分考虑分割和分类任务的不同贡献，其中分割主要关注形态学信息，而分类则更多依赖于纹理特征。

为了克服这些基本局限，本研究提出了一种高效且精确的自动化宫颈细胞分割和分类方法。我们的主要创新在于引入了一种基于增强的分层贝叶斯神经网络架构的统一分割和分类算法。通过一个全面的多任务学习框架，该算法实现了分割和分类任务之间的协同优化，显著提升了整体模型性能。具体而言，我们设计了一个双路径特征提取网络，该网络能够独立处理细胞的纹理和形态学特征。这些解耦的特征表示通过先进的特征共享机制同时服务于分割和分类任务，实现了任务间的高效互补。分层贝叶斯框架不仅能够建模细胞形态的内在多样性和不确定性，还能为预测提供定量的置信度估计，从而提升临床决策的可靠性。本研究的主要贡献可以总结如下：

首先，我们提出了一种新的形状和纹理张量特征解耦模块（SAFT），该模块基于先进的分层贝叶斯方法。该模块通过一个复杂的双路径特征提取机制，将宫颈细胞图像系统地分解为独立的形态学和纹理特征表示。这些解耦后的特征不仅有助于精确的分割任务，还能通过先进的特征共享机制为分类任务提供有区别的信息，从而在两个计算任务之间实现协同优化。

其次，我们引入了一种创新的形状-纹理特征融合分类模块（CAJA），该模块通过将形态学张量嵌入到纹理张量表示中，并结合复杂的注意力机制（包括CBAM和LGAT），实现了异构特征模态的全面整合。通过利用形态学和纹理张量表示中的互补信息，该模块显著增强了模型对细胞异质性和形态复杂性的判别能力，从而在分类准确性和计算鲁棒性方面取得了显著提升。

最后，我们开发了一种专门的基于形状张量的分割模块（STC），该模块采用EfficientUNet架构，用于形态学特征张量的分割，有效提高了单细胞区域的分割精度。形态学特征的概率表示增强了模型对细胞形态变化和内在不确定性的适应能力，从而为分割任务提供了更强的鲁棒性和更优的泛化能力。

在本研究中，我们还对数据集和处理方法进行了详细说明。我们使用的HJPD是一个专门为实验室的宫颈细胞病理学研究构建的私有数据集。样本采用巴氏染色方法进行处理。对于分割任务，每张图像包含一个完整的细胞及其像素级的分割掩码，这些掩码由两位病理学家独立标注，对于存在争议的病例则由第三位资深病理学家裁定。对于分类任务，类标签严格遵循巴塞达系统（The Bethesda System）的标准。

本研究的讨论部分进一步探讨了HBTF-Net在宫颈细胞分割和分类中的应用及其优势。HBTF-Net是一种基于改进分层贝叶斯方法的多任务学习网络，旨在解决宫颈细胞联合分割和分类中的挑战。定量实验结果（见表1至表6）表明，HBTF-Net在两个细胞学数据集上均表现出色，显著优于多种现有的主流分类和分割方法以及相关技术。该模型在多个方面展现出优越的性能，包括更高的准确率和更好的分割效果，这得益于其对形状和纹理特征的显式解耦以及多任务协同优化的能力。

在本研究的结论部分，我们总结了HBTF-Net的贡献和优势。HBTF-Net是一种基于改进分层贝叶斯方法的多任务网络，用于宫颈细胞的联合分割和分类。该网络通过三个关键组件：形状和纹理特征张量（SAFT）模块用于特征解耦，基于纹理张量的分类模块（CAJA）以及形状张量分割模块（STC），实现了形状和纹理特征的显式分离和多任务协同优化。这些创新不仅提高了模型的准确性，还增强了其可解释性和临床适用性。

在作者贡献声明中，我们明确了每位作者的职责。Jianxiong Feng负责撰写初稿、可视化、验证、方法论、研究、数据分析、数据管理和概念设计。Huiyan Jiang负责监督、方法论和概念设计。Yizhou Chen负责方法论。Zhimin Liu负责数据管理。Xiangrong Zhou负责审阅和编辑。所有作者均声明不存在可能影响本研究结果的财务利益或个人关系。

本研究提出的HBTF-Net不仅在技术上具有创新性，而且在实际应用中展现出显著的优势。该模型通过引入分层贝叶斯方法，有效解决了传统方法在特征解耦和不确定性量化方面的不足。同时，通过多任务学习框架，实现了分割和分类任务的协同优化，提升了整体模型的性能。SAFT模块的引入使得模型能够更精确地分离形状和纹理特征，从而提高了分类和分割的准确性。CAJA模块则通过注意力机制整合多尺度特征，增强了模型对细胞异质性的判别能力。STC模块采用高效的分割架构，提高了单细胞区域的识别精度。

HBTF-Net的应用不仅限于实验室研究，还具有广泛的临床价值。该模型能够为医生提供更准确的细胞学分析结果，帮助其做出更可靠的诊断决策。在临床实践中，液基薄层细胞学检测（TCT）常用于获取整张切片图像（WSI），但由于WSI图像通常较大，因此需要系统地分割为可管理的图像块。每个图像块经过20倍物镜放大后，再进行预处理和张量化处理，以确保特征的准确提取和模型的有效训练。

此外，HBTF-Net的跨数据集泛化能力也得到了验证。在不同染色协议下的数据集测试中，SAFT模块展现出良好的迁移能力，表明其在实际应用中的广泛适用性。这种能力对于提高模型的泛化性和适应性至关重要，特别是在临床环境中，不同实验室可能采用不同的染色方法和图像处理流程。

在实际应用中，HBTF-Net的可解释性也是一个重要优势。该模型不仅能够提供精确的分割结果，还能为医生提供关于细胞形态和纹理特征的清晰信息，帮助其理解模型的决策过程。这种可解释性对于提高临床医生对模型的信任度和使用意愿具有重要意义，尤其是在涉及重要医疗决策时。

HBTF-Net的创新在于其分层贝叶斯框架和多任务学习机制的结合。这种结合使得模型能够更全面地建模细胞形态的多样性和不确定性，从而提供更可靠的预测结果。同时，多任务学习机制使得模型能够同时优化分割和分类任务，提升整体性能。这种协同优化的能力在复杂的医学图像分析中尤为重要，因为不同任务之间可能存在高度的相关性，通过特征共享可以提高模型的泛化能力和适应性。

在实验部分，我们对HBTF-Net在不同数据集上的性能进行了全面评估。在HJPD数据集上，HBTF-Net的分类准确率达到69.13%，分割Dice系数达到96.96%。而在DSCC数据集上，分类准确率达到92.26%，分割Dice系数达到97.14%。这些结果表明，HBTF-Net在不同规模和复杂度的数据集上均表现出色，具有良好的泛化能力和适应性。

消融实验进一步验证了HBTF-Net各组件的有效性。实验结果显示，贝叶斯建模和多任务学习的结合显著提升了模型的性能，而SAFT模块在不同染色协议下的迁移能力也得到了验证。这些实验结果表明，HBTF-Net在实际应用中具有较高的可靠性和适用性。

总的来说，HBTF-Net为宫颈癌筛查和诊断提供了一个高效、准确且可解释的解决方案。该模型不仅能够提高分割和分类的准确性，还能增强预测的不确定性量化能力，从而为临床医生提供更可靠的诊断支持。在未来的应用中，HBTF-Net有望成为宫颈癌筛查系统的重要组成部分，为提高诊断效率和准确性做出贡献。