编辑推荐：
宫颈细胞重叠导致边界模糊，精准分割困难。研究人员基于 Mask2Former 结合去噪技术，开展重叠宫颈细胞分割研究。结果显示，在 ISBI2014 等数据集上，DSC、TPRp、FNRo 等指标均有提升，为宫颈癌筛查提供高效方法。
宫颈癌作为全球女性高发癌症，早期筛查至关重要。宫颈细胞学检查依赖病理学家观察细胞形态，但手工检测耗时低效，且细胞重叠、黏液杂质等因素易导致边界模糊，造成误诊。精准的细胞分割是提高筛查准确性的关键，然而现有方法如 Cellpose 难以处理高度重叠的宫颈细胞，深度学习模型虽有进展，但在复杂场景下仍需优化。
为解决这一难题，集美大学诚毅学院、厦门大学附属第一医院等国内研究机构的学者开展了相关研究。他们提出一种基于 Transformer 的新型神经网络，通过在 Mask2Former 中引入去噪技术和类别嵌入优化模型，旨在提升重叠宫颈细胞的分割精度。该研究成果发表在《Scientific Reports》。
研究采用 ISBI2014、ISBI2015 和 Cx22 数据集，包含合成与真实宫颈细胞学图像。主要技术方法包括：利用 ResNet50 和 Swin Transformer 作为主干网络提取多尺度特征；在 Transformer 解码器中加入类别嵌入（class embeddings）作为额外内容查询，并将噪声真实掩码（noised ground truth masks）输入各层，训练模型重构原始掩码；采用 AdamW 优化器，结合交叉熵损失、骰子损失（Dice Loss）和掩码损失，加速模型收敛。
结果
- 模型性能优化：与基线模型 Mask2Former 相比，改进模型收敛速度更快，在 ISBI2014 数据集上，DSC 提升 3.4%，TPRp 提升 2.3%，FNRo 降低 2%；在 ISBI2015 和 Cx22 数据集上，FNRo 分别降低 2.87% 和 1%，且预测掩码边缘更精确。
- 数据集对比：在 ISBI2014 数据集上，该模型优于传统方法和现有深度学习模型，FNRo 可达 0，表明所有细胞均成功分割；在 ISBI2015 数据集上，虽 DSC 略高但 TPRp 稍低，整体性能优于平均水平；在 Cx22 数据集上，各项指标均超越原数据集基线。
- 可视化验证：通过典型图像对比，改进模型在细胞碎片多、中低重叠及高重叠场景下，均能更准确分割细胞质，尤其在边界模糊区域表现更优，优于先前基于 Mask RCNN 和 DETR 的模型。
结论与讨论
研究提出的 Mask2Former 改进模型通过去噪和类别嵌入技术，显著提升了重叠宫颈细胞的分割精度，尤其在低假阴性率（FNRo）和边缘准确性上表现突出，为计算机辅助宫颈癌筛查提供了高效工具。尽管在高度密集细胞区域仍有不足，但该方法为后续研究提供了新思路，如结合细胞核定位引导细胞质分割、优化边缘损失函数等。该成果推动了深度学习在医学图像分割中的应用，有望减少病理学家工作量，提升诊断效率与准确性。
