基于多尺度卷积块U-Net的免疫荧光图像表皮自动分割方法及其在小纤维神经病变研究中的应用

推荐：针对高分辨率免疫荧光图像中表皮区域分割的难题，研究人员开发了基于多尺度卷积块U-Net（McBU-Net）的自动分割框架。通过图像分区、多尺度特征融合和密集跳跃连接，模型在内部数据集上达到92.80%的Dice分数，为小纤维神经病变（SFN）的神经纤维密度（IENFd）分析提供了高效工具。

　　

论文解读

在神经病理学领域，小纤维神经病变（Small Fiber Neuropathy, SFN）是一种令人痛苦的疾病，其特征是皮肤外周神经纤维的减少和退化，常见于20-50%的糖尿病（DM）、HIV/AIDS和化疗患者。诊断SFN的金标准之一是表皮内神经纤维密度（Intraepidermal Nerve Fiber Density, IENFd）检测，而免疫荧光显微镜技术因其高分辨率（1-5 μm）成为揭示神经纤维结构的首选方法。然而，现有表皮分割主要依赖人工阈值处理，效率低且主观性强，亟需自动化解决方案。

为此，台湾大学医院的研究团队在《Biomedical Signal Processing and Control》发表论文，提出了一种创新的多尺度卷积块U-Net（McBU-Net）模型。该研究通过分区处理超高分辨率图像，结合多尺度特征学习和密集跳跃连接，显著提升了分割精度。

关键技术方法

1. 图像分区：将原始图像分割为可处理的子图以保留细节；
2. 多尺度卷积块：采用双卷积管道（3×3和5×5核）提取不同尺度特征；
3. U型架构：五层编码器-解码器结构，通过跳跃连接增强特征传递；
4. 交叉验证：基于内部皮肤活检数据集（PGP 9.5/NKCC1标记）进行五折验证。

研究结果

1. 模型架构优势
McBU-Net通过多尺度卷积块捕获表皮边界的细微差异，实验显示其Dice分数（92.80%）超越7种对比模型（如传统U-Net和FCN），尤其擅长处理光照不均的复杂结构。

2. 图像分区策略
分区处理使模型能适应超高分辨率（单图约20000×20000像素），重建后边界连续性优于直接下采样方法。

3. 消融实验
移除多尺度块或跳跃连接会导致Dice下降3-5%，证实其关键作用。

讨论与意义
该研究首次将U-Net变体应用于免疫荧光表皮分割，解决了传统方法在组织异质性（如汗腺干扰）下的局限性。临床层面，自动化IENFd分析可加速SFN诊断，尤其适用于糖尿病相关神经病变的早期筛查。未来方向包括扩展至其他标记物（如Na⁺-K⁺-Cl^-共转运体1）和多中心验证。

结论
McBU-Net为SFN研究提供了可靠的计算机辅助工具，其创新设计（多尺度块、分区策略）为其他超高分辨率医学图像分割树立了新范式。研究获台湾科技部（NSTC 112-2221-E-002-049-MY3）资助，代码与数据集将开源以促进领域发展。