基于自适应令牌属性拟合的全切片图像语义分割优化方法及其在结直肠癌诊断中的应用

针对全切片图像(WSI)语义分割中固定尺寸令牌导致的组织边缘信息丢失问题，研究团队提出架构无关的自适应令牌属性拟合框架，通过高斯/多项式拟合动态优化切片尺寸与重叠率，结合双编码器精修网络提升U-Net等5种主流模型的性能，在自建结直肠癌数据集上达到90.96%的最高准确率，为数字病理分析提供通用解决方案。

　　

在数字病理诊断领域，全切片图像(Whole Slide Imaging, WSI)因其超高分辨率成为癌症诊断的"黄金标准"，但单张图像可达40000×40000像素的庞大规模，让传统分析方法陷入"看得清算不动"的困境。现有方法将WSI切割成固定尺寸的图像块(token)进行处理，却面临两难选择：小块token丢失组织全局信息，大块token又难以捕捉细节特征，更不用说不同癌症组织的形态各向异性让固定切割策略雪上加霜。这种"一刀切"的处理方式导致结直肠癌等病理分析中，约37%的肿瘤边缘区域出现误判，严重制约计算机辅助诊断的临床应用。

云南癌症医院的研究团队在《Digital Signal Processing》发表的研究中，创新性地提出"架构无关的自适应令牌属性拟合框架"。该研究通过三个阶段实现突破：首先采用高斯拟合确定最优切片尺寸，多项式拟合优化重叠率；其次设计特征扩展模块整合局部token为包含全局信息的大token；最后构建双编码器精修网络(Dual-Encoder Refinement Network)实现语义特征的互馈优化。技术关键点包括：基于自建结直肠癌CCSS数据集(H&E染色WSI，分辨率23904-39840×19233-40748)、动态拟合训练过程中的评估指标、以及特征空间的多尺度融合策略。

【Methods】研究团队建立数学优化模型，证明token尺寸与数量存在反比关系。通过拟合U-Net等模型在256×256至1024×1024不同切片尺寸下的Dice系数曲线，发现最佳性能出现在512×512尺寸附近，该尺寸下模型既能保持腺体结构完整性，又不会显著增加计算负担。

【Results】实验数据显示，经自适应拟合优化的五种主流网络性能全面提升：Attention U-Net以90.96%的准确率居首，较基线提升3.2%；SCNet达到90.73%且推理速度最快；DeepLabV3+在保持89.25%准确率同时，内存占用降低18%。特别在肿瘤边缘区域，新方法将分割精度从62.4%提升至79.1%。

【Conclusions】这项研究首次建立WSI分割中token属性与模型性能的量化关系，其创新性体现在三方面：1) 提出参数动态调整的拟合范式，突破传统固定token的局限；2) 设计特征扩展机制解决局部与全局信息矛盾；3) 开发通用插件式框架，可无缝集成现有分割管线。该成果不仅为结直肠癌诊断提供新工具，其方法论更可推广到乳腺癌、肝癌等WSI分析领域，推动数字病理从"可视化管理"向"智能化诊断"跨越。研究代码已开源在https://github.com/Huang-erying/WSI-SS，团队正在与昆明医科大学附属医院合作开展多中心临床验证。