基于语义一致性引导的块状关系图推理方案实现肺癌类器官亮场显微图像精准分割

针对亮场显微图像中活体患者来源类器官(PDOs)因低对比度、形态多变导致分割困难的问题，研究团队提出语义一致性引导的块状关系图推理方案(SCPWRG)，通过局部-全局语义融合、多任务协同学习及新型流一致性(SC)损失函数，在自建LiveOrganoid数据集上实现SOTA性能，为精准医疗中的药物筛选和形态评估提供新工具。

　　

在精准医疗时代，患者来源类器官(PDOs)因其保留原发肿瘤组织学特征的能力，成为个性化药物筛选的明星模型。然而，亮场显微镜下这些"微型肿瘤"的低对比度图像，却让研究人员头疼不已——模糊的边界、重叠的球体、复杂的形态变异，使得传统分割方法屡屡受挫。更棘手的是，现有深度学习算法需要海量标注数据支撑，而手工标注这类图像不仅耗时耗力，还高度依赖专业技师的经验判断。

中山大学肿瘤防治中心(SYSUCC)的研究团队决心攻克这一难题。他们开发出名为"语义一致性引导的块状关系图推理"(SCPWRG)的创新方案，通过巧妙融合局部细节与全局形态特征，在有限训练数据下实现了肺癌PDOs的精准分割。这项发表于《Computer Methods and Programs in Biomedicine》的研究，不仅建立了首个大规模标注的LiveOrganoid数据集，更通过多任务协同学习框架，将类器官分割性能提升至新高度。

技术方法上，团队构建双流网络分别提取全图局部特征(W-stream)和块状语义特征(P-stream)，创新性设计块状关系图卷积模块(PRGCM)整合空间拓扑信息，通过局部-全局语义融合模块(LGSFM)实现特征互补。引入重建解码器和块分割(PS)预测双辅助任务，并开发流一致性(SC)损失函数确保特征对齐。实验采用SYSUCC提供的肺癌患者原代组织培养的PDOs图像，所有模型均以Adam优化器(学习率10^-3)训练500轮次。

【主要结果】

1. 算法创新性：PRGCM模块通过图边构建策略将低阶空间关系融入高阶语义表征，在LiveOrganoid数据集上Dice系数达0.914，较U-Net提升11.2%。SC损失函数有效约束双流特征差异，使小样本训练稳定性提高23%。

2. 多任务协同：重建任务增强了对模糊边界的捕捉能力，PS预测任务使微小类器官(<50μm)检出率提升至89.7%。联合训练策略使模型在20%训练数据下仍保持85%的基准性能。

3. 跨域泛化性：在细胞核分割数据集上，迁移学习的Dice系数达0.872，证明方法对显微图像分析的普适性。消融实验显示LGSFM模块贡献最大性能增益(ΔDice=0.067)。

【结论与展望】
该研究首次将图神经网络(GNN)与多任务学习结合应用于PDOs分割，突破性地解决了亮场图像低对比度带来的挑战。提出的SCPWRG框架通过三个关键设计——语义引导的图关系构建、双流一致性约束、以及重建-分割任务协同，实现了有限数据下的稳健建模。值得关注的是，该方法在保持SOTA性能的同时，将标注数据需求降低至传统方法的1/5，这对临床稀缺样本研究具有重要意义。

研究建立的LiveOrganoid数据集包含多样化的肺癌PDOs形态，为后续研究提供宝贵资源。团队已开源代码(https://github.com/tylerlv/SCPWRG)，这将加速类器官分析技术的临床转化。未来工作可探索三维培养系统的动态成像分析，以及与其他模态(如荧光图像)的跨模态学习。这项技术不仅推动了个性化药物筛选进程，其核心思想对其它低对比度生物医学图像分析也具有启示价值。