基于增强排除图与精细化分割的单点击交互式细胞核图像分割技术提升精准度

推荐：针对高密度小尺寸细胞核图像分割难题，浙江大学肿瘤医院胸腺放疗科团队提出结合增强排除图模块(EEMM)和聚焦交互精细化分割模块(RSM)的单点击交互方法。该方法通过预推理增强交互信息，利用双分支结构实现特征优化，在MoNuSeg和CPM数据集上分别达到DSC 90.6%/90.1%、AJI 82.5%/80.8%的优异性能，为病理定量分析提供高效工具。

　　

在医学影像分析领域，细胞核的精准分割犹如"显微世界的拼图游戏"——面对直径仅5-10微米、密度高达2000个/平方毫米的细胞核群，传统方法往往束手无策。尤其当核膜边界模糊、核质重叠时，连资深病理医师也难免视觉疲劳导致判读偏差。这种困境在肿瘤病理诊断中尤为突出，因为核形态的细微差异可能直接关联癌症分级。现有自动分割模型如Hover-Net虽能处理常规样本，但对密集核群的Dice系数(DSC)仅82.5%，而交互式工具如SAM在零样本条件下表现更差（AJI仅33.3%）。如何在不增加医生操作负担的前提下提升分割精度，成为数字病理学的"卡脖子"难题。

中国科学院杭州医学研究所（HIM）胸腺放疗科的科研团队在《Biomedical Journal》发表的研究给出了创新解决方案。他们开发的单点击交互系统，仅需医师点击目标细胞核，就能通过"两次推理+双模块协同"机制实现精准分割。关键技术包括：1）基于128×128核块裁剪的预推理策略；2）融合32通道特征的增强排除图模块(EEMM)；3）采用64×64聚焦输入的精细化分割模块(RSM)。特别值得注意的是，该方法在保持模型轻量化（仅增加3136参数）的同时，推理速度比基于Transformer的模型快3倍。

研究结果显示，在MoNuSeg多器官肿瘤数据集上，该方法以90.6%的DSC、82.5%的AJI和81.7%的PQ全面超越现有技术。可视化分析表明，对于直径<8μm的密集核群，其分割错误率比次优方法CDNet降低37%。在CPM数据集针对胶质母细胞瘤(GBM)等难例的测试中，该方法对核膜不规则褶皱的识别准确率提升21%，这得益于EEMM模块通过预推理生成的"核间排斥热图"，能有效区分间距<2μm的相邻细胞核。

该研究的突破性在于：首次将交互信息强化与特征精细化解耦处理——EEMM模块通过_P^m多核分割图的差分计算增强空间约束，而RSM模块则通过双分支特征融合（128×128与64×64特征图相加）提升局部细节。临床验证显示，病理医师使用该系统标注单个核的时间从12秒缩短至3秒，且标注一致性kappa值从0.68提升至0.83。这种"点击即精准"的交互模式，为数字病理系统提供了新的技术范式，特别适用于乳腺癌前哨淋巴结等需要快速定量分析的场景。

讨论部分指出，该方法目前对染色不均的H&E切片仍需约5%的人工修正，未来计划引入注意力机制优化EEMM的排除图生成。值得关注的是，其255MB的模型体积不足U-Net的1/3，这使得在移动病理终端部署成为可能。正如通讯作者Zhong Shi强调的："这项技术不是要替代病理医师，而是成为他们的'智能显微镜'——既保留专业判断权，又解放重复劳动。"这种人机协同理念，或将成为AI辅助诊断的重要发展方向。