编辑推荐：
乳腺癌诊断依赖精准细胞核分割，然人工分析耗时易错。本研究采用 U-Net 架构结合 ResNet-34、VGG-16、Inception-v3 主干，利用 BreCaHad 等数据集，通过数据增强与组合损失函数优化分割。结果显示 ResNet-34 主干 U-Net 的 IoU 达 0.795，为 CAD 工具开发提供新方向。
乳腺癌作为全球女性健康的 “头号杀手”，其早期精准诊断对治疗效果和患者预后至关重要。在乳腺癌的病理诊断中，组织病理图像的细胞核分割是关键环节，通过分析细胞核的形态、分布等特征，可辅助判断肿瘤的恶性程度与发展阶段。然而，传统的人工分析方式不仅耗时耗力，且依赖病理学家的经验，容易出现主观误差，尤其在面对复杂多样的组织图像时，精准分割的难度显著增加。此外，医学影像数据标注成本高、样本量有限，进一步制约了自动化诊断工具的开发与应用。因此，开发高效、准确的计算机辅助诊断（CAD）工具，提升细胞核分割的精度与效率，成为亟待解决的临床难题。
为应对上述挑战，研究人员开展了基于深度学习的乳腺癌组织病理图像细胞核分割研究。研究团队利用 BreCaHad 数据集（包含 162 张乳腺癌组织病理图像，标注有有丝分裂、凋亡、肿瘤细胞核、非肿瘤细胞核等分类），采用 U-Net 架构结合不同主干网络（ResNet-34、VGG-16、Inception-v3），通过数据增强技术和组合损失函数（整合 Dice 损失与 Jaccard 损失）优化模型性能，旨在突破有限标注数据下的分割瓶颈，为临床提供更可靠的辅助诊断工具。研究结果表明，搭载 ResNet-34 主干的 U-Net 模型在细胞核分割任务中表现最优，相关成果发表在《Computers in Biology and Medicine》。
研究主要采用以下关键技术方法：
- 网络架构设计：以 U-Net 为基础框架，分别引入 ResNet-34、VGG-16、Inception-v3 作为编码器主干，构建不同变体模型。
- 数据集与预处理：使用 BreCaHad 数据集，图像为 1360×1024 像素的 RGB 格式 TIFF 文件，细胞核掩码通过 ImageJ 软件生成；采用数据增强技术扩大样本多样性。
- 损失函数与优化：采用组合损失函数（Dice 损失 + Jaccard 损失）提升像素级分割精度与掩码重叠度。
- 性能评估：通过交并比（IoU）、准确率、精确率、召回率、F1 分数等指标对比不同模型性能，并在 BNS 和 MoNuSeg-2018 数据集上进行鲁棒性验证。
结果与讨论
不同主干网络的性能对比
研究对基于 ResNet-34、VGG-16、Inception-v3 主干的 U-Net 模型与标准 U-Net 进行对比分析。结果显示，ResNet-34 主干的 U-Net 模型在 BreCaHad 数据集上取得了最优性能，其 IoU 分数达 0.795，显著高于标准 U-Net 的 0.725。在准确率、精确率、F1 分数等指标上，ResNet-34 配置亦全面领先其他主干网络，表明其特征提取能力更适用于复杂组织病理图像的细胞核分割任务。
数据增强与组合损失函数的作用
研究发现，数据增强技术在有限医学影像数据集下显著提升了模型的泛化能力，有效缓解了过拟合问题。组合损失函数通过同时优化像素分类精度与区域重叠度，使分割结果更贴近真实掩码，尤其在细胞核边界模糊或密集分布的区域，分割准确性得到明显改善。
跨数据集鲁棒性验证
为验证模型的通用性，研究团队在 BNS 和 MoNuSeg-2018 数据集上进行了额外测试。结果表明，ResNet-34 主干的 U-Net 模型在不同来源的组织病理图像中均保持了较高的分割精度，进一步证实了其架构设计的鲁棒性与适用性。
结论与意义
本研究通过改进 U-Net 架构，结合先进主干网络与数据增强技术，成功提升了乳腺癌组织病理图像的细胞核分割性能。实验结果表明，ResNet-34 主干的引入显著增强了模型的特征提取能力，在有限数据条件下实现了更精准的分割效果。这一成果为计算机辅助诊断工具的开发提供了新的技术路径，有望缩短病理诊断时间、降低主观误差，尤其在医疗资源有限的地区，可通过自动化分析提升诊断效率与准确性，助力乳腺癌的早期发现与个性化治疗策略制定。
研究同时指出，尽管深度学习在医学影像分析中展现出强大潜力，如何进一步提升模型对罕见病理特征的识别能力、降低计算资源需求，仍是未来需要攻克的方向。未来可结合更多样化的主干网络或注意力机制，进一步优化分割模型，推动其临床转化应用。
