基于深度学习的曼氏裂头蚴显微图像语义分割数据集构建及诊断模型优化研究

针对曼氏裂头蚴(S. mansoni)免疫诊断成本高且灵敏度不足的问题，湖南高校团队构建了首个像素级标注的显微图像数据集(SMD)，包含1420例粪便样本图像，结合形态熵量化分析，评估了DeepLabV3+等模型性能，为热带寄生虫AI诊断提供关键数据基准。

　　

曼氏裂头蚴(Spirometra mansoni)作为一种人畜共患寄生虫，在非洲、南美和亚洲部分地区广泛分布，其成虫感染与不洁饮食习惯密切相关。当前诊断主要依赖酶联免疫吸附试验(ELISA)和定量聚合酶链反应(qPCR)，但前者受环境因素影响大、耗时长，后者易受污染且成本高昂。传统病原学诊断虽经济实惠，却高度依赖检验者经验。随着深度学习在医学图像分析中的突破，如全卷积神经网络(FCN)在超声图像分割、U-Net在乳腺肿块检测中的应用，为寄生虫自动化诊断提供了新思路。然而，现有模型多针对常见病原体，缺乏针对曼氏裂头蚴等热带寄生虫的专用数据集，制约了AI技术在该领域的应用。

南华大学衡阳医学院团队在《Computers in Biology and Medicine》发表研究，通过标准化采集1420例确诊患者粪便悬液显微图像，使用Nikon BM-1000光学显微镜拍摄，经LabelMe软件专家标注卵泡边界特征，构建首个曼氏裂头蚴语义分割数据集(SMD)。研究创新性引入香农熵量化粪便背景复杂度，提出形态熵指标表征卵泡轮廓不规则性，并系统评估了DeepLabV3+结合ResNet/MobileNet等骨干网络的性能差异。

数据来源和标注流程
研究采用回顾性设计，经伦理审查豁免，所有图像源自临床确诊案例。标注过程由专业寄生虫学家执行，确保卵泡形态学特征（如卵盖、卵壳等）的像素级精度。

基线分割架构
选取DeepLabV3+及其变体作为基准模型，包括添加通道注意力机制SE模块的ResNet版本、轻量级MobileNet版本，以及医学影像专用框架如U-Net++，全面评估模型在复杂背景下的分割鲁棒性。

实验1：主数据集性能
结果显示，集成SE模块的DeepLabV3+-ResNet达到最高交并比(IoU)0.872，但对计算资源需求较大；MobileNet版本在保持0.812 IoU的同时，参数量减少67%，更适合资源受限场景。

结论与意义
该研究填补了热带寄生虫图像数据的空白，SMD数据集通过CC BY 4.0协议公开。形态熵与背景熵的负相关性(r=-0.43，p<0.01)为算法优化提供了新维度。相比传统诊断方法，AI辅助系统可将单样本检测时间从小时级缩短至分钟级，成本降低90%以上。研究团队指出，未来需开发针对寄生虫形态特异性的注意力机制，以提升模型在临床混杂样本中的泛化能力。