基于轻量化深度注意力网络的病理图像细胞核自动分割方法

针对病理图像中细胞核分割面临的染色不均、对比度低及核重叠等挑战，研究人员提出一种轻量化深度注意力网络（LDAN），通过编码器残差块提取高阶特征，解码器小波驱动注意力块（WAB）保留边缘细节。在PanNuke和TNBC数据集上Jaccard指数达74.47±0.74和71.21±0.82，模型参数量减少40%以上，为癌症CAD系统提供高效解决方案。

　　

在癌症诊断的“黄金标准”中，病理医生需要从H&E染色切片中观察细胞核形态，但人工分析不仅耗时且易受主观影响。传统图像处理方法如局部二值模式（LBP）和方向梯度直方图（HOG）难以捕捉复杂组织特征，而现有深度学习模型又面临计算成本高、丢失高频细节等问题。例如，编码器-解码器架构在压缩过程中常丢失边缘信息，导致重叠核分割不准确——这正是癌症分级的关键难点之一。

为解决这一难题，德里大学的研究团队在《Neurocomputing》发表研究，提出名为“轻量化深度注意力网络”（LDAN）的新模型。该模型通过三阶段设计实现突破：编码器采用残差块提取特征，瓶颈层捕获多分辨率全局信息，而创新性的小波驱动注意力块（WAB）则利用二维离散小波变换（2D-DWT）高频系数重建边缘细节。实验表明，该模型在PanNuke和TNBC数据集上Jaccard指数分别达74.47±0.74和71.21±0.82，参数量却比U-Net减少46.7%，堪称“小而强”的典范。

关键技术方法
研究采用三残差块编码器、瓶颈层和三WAB解码器架构，利用Haar小波分解获取高频系数指导注意力机制。训练使用五折交叉验证，优化器为Adam（lr=0.001），评估指标包含Jaccard指数和Dice系数。数据集来自公开的PanNuke（16种癌症）、TNBC（三阴性乳腺癌）和独立测试集MonuSeg。

研究结果

1. 性能对比：LDAN在PanNuke上Jaccard指数显著优于U-Net++（+3.21）和Attention U-Net（+5.83），在TNBC上Dice系数达79.35±0.91。
2. 轻量化验证：模型仅含2.4M参数，体积为9.8MB，推理速度较DeepLabv3+提升2.3倍。
3. 注意力可视化：Grad-CAM热图显示WAB能精准聚焦核边界区域，而传统模型易受基质干扰。
4. 跨数据集测试：在MonuSeg上Jaccard指数64.17±1.75，证明强泛化能力。

结论与意义
通过将小波分析与注意力机制创新结合，该研究首次实现病理图像中高频细节的定向增强。Wilcoxon检验证实其性能提升具有统计学意义（p<0.05），而Scott-Knott ESD测试显示模型稳定性优于同类方案。这种“既见森林又见树木”的设计，为开发实时癌症CAD系统提供新思路——既能部署在资源有限的医疗终端，又能辅助医生发现早期核形态异常。正如作者Rashika Bagri所述：“WAB模块就像给模型装了显微镜，让AI能看清那些容易被人眼忽略的癌症蛛丝马迹。”