双通道多尺度空-谱特征融合网络（DC-MSSFF Net）：胆管癌病理高分辨高光谱图像分割的创新突破

本研究针对胆管癌病理高分辨高光谱图像（HR-HSI）分割精度不足的难题，提出双通道多尺度空-谱特征融合网络（DC-MSSFF Net）。通过并行图内图（GwG）通道与多尺度CNN通道协同提取空间-光谱特征，结合集成学习框架，将分割Dice系数提升至70.47，显著优于现有方法，为深度框架在HR-HSI语义分割中的归纳学习任务奠定基础。

　　

胆管癌作为全球第二大原发性肝脏恶性肿瘤，其诊断长期受限于传统病理图像仅能提供二维空间信息的缺陷。尽管组织病理学检查仍是肿瘤诊断的“金标准”，但低特异性和缺乏绝对诊断标准导致准确率难以突破。高光谱显微成像（HMI）技术的出现带来了转机——这种融合光学显微镜与高光谱成像（HSI）的三维技术，不仅能捕获样本空间特征，还能通过每个像素的反射光谱揭示其化学特性。与传统RGB图像相比，HSI数据立方体在550-1000 nm波段范围内提供60个连续光谱通道，为计算病理学开辟了新途径。然而，如何高效处理海量空-谱信息并实现精准分割，仍是亟待解决的核心科学问题。

山西白求恩医院等机构的研究团队在《Computer Methods and Programs in Biomedicine》发表研究，提出双通道多尺度空-谱特征融合网络（DC-MSSFF Net）。该网络创新性地采用并行双通道架构：图内图（GwG）通道通过建立高光谱图像的空间上下文关系显著降低计算负担；多尺度CNN通道则基于深度维度的光谱信息实现像素级边缘优化。研究团队从上海长海医院获取1024×1280×60分辨率的胆管癌HSI数据立方体，采用波段序贯（BSQ）格式存储，通过超像素映射和维度缩减预处理后，结合集成学习框架提升模型鲁棒性。

Machine learning-based methods
研究对比了传统机器学习方法（如SVM、RF、KNN）与深度学习方法在HSI分割中的表现，证实深度框架在空-谱特征联合提取上的优势。

The framework of DC-MSSFF Net
网络架构包含预处理和建模两阶段：前者进行维度压缩和超像素转换；后者通过MSFE-GCN通道提取多尺度空间特征，CNN通道则利用3D卷积核分层捕获光谱特征，最终通过特征融合输出分割结果。

Dataset and implementation details
基于60波段胆管癌HSI数据集验证显示，DC-MSSFF Net的Dice系数达70.47，较U-Net等SOTA方法提升显著，尤其在病灶边缘识别方面表现突出。

Conclusions
该研究开创性地将GwG结构与多尺度CNN结合，首次实现HR-HSI空-谱特征的端到端融合。其重要意义在于：为复杂病理图像分割提供可解释性强的深度学习框架；验证HSI模态在胆管癌诊断中的优越性；提出的集成策略为医疗AI模型优化提供新思路。研究获得国家自然科学基金（11804209）等多项资助，相关技术有望拓展至其他罕见肿瘤的辅助诊断领域。