基于多模块协同优化的RPAU-Net++模型在结直肠癌病理图像分割中的创新应用

针对结直肠癌病理图像中腺体与细胞轮廓分割的挑战，研究人员提出集成ResNet-50编码器、联合金字塔融合模块(JPFM)和卷积块注意力模块(CBAM)的RPAU-Net++模型。该研究通过多模块协同优化，在GlaS、CoNIC和PanNuke数据集上实现IoU 76.34%和Dice 83.20%的突破性性能，为精准病理诊断提供新工具。

　　

在癌症精准诊疗时代，结直肠癌病理图像分割面临三大"拦路虎"：腺体结构的连续多尺度特性（从微米级细胞核到宏观腺管）、H&E染色导致的边界模糊、以及肿瘤与间质区域的不均匀分布。传统U-Net系列模型在处理这些复杂特征时，往往陷入"顾此失彼"的困境——要么丢失微小结构细节，要么误判重叠区域。更棘手的是，Transformer架构虽能捕捉全局上下文，但其高昂的计算成本与病理图像的高分辨率需求形成尖锐矛盾。

河北地质大学信息工程学院的研究团队在《Scientific Reports》发表的这项研究，创新性地将残差学习、多尺度融合与双注意力机制熔于一炉，打造出名为RPAU-Net++的"三合一"解决方案。该模型通过ResNet-50的残差跳跃连接解决梯度消失问题，利用JPFM模块的密集膨胀卷积（d=1,2,4,8）实现腺体结构的连续尺度覆盖，再借助CBAM模块的通道-空间双重视角注意力，像"智能探照灯"般精准锁定目标区域。在GlaS、CoNIC和PanNuke三个权威数据集上的测试表明，其分割精度超越主流模型2.7%，推理速度达28FPS，甚至经L4级剪枝后仍能保持72.03%的Dice系数。

关键技术方法包括：1)采用ResNet-50构建五级特征编码器；2)设计含四组膨胀卷积的JPFM模块替代传统ASPP；3)在UNet++跳连路径嵌入CBAM注意力门；4)基于GlaS(165张)、CoNIC(4,981张)和PanNuke(7,904张)数据集进行交叉验证；5)实施L1-L4级模型剪枝评估计算效率。

核心发现

1. 多模块协同架构：消融实验显示，ResNet-50+JPFM+CBAM组合使Dice系数较基线UNet++提升4.37%，证明模块间存在"特征提取-尺度融合-区域聚焦"的级联增强效应。

2. 密集膨胀卷积优势：JPFM采用[1,2,4,8]的等比膨胀率设计，在CoNIC数据集上比传统ASPP的[1,6,12,18]稀疏方案提升IoU 1.4%，尤其改善腺体折叠处83.5%的边界召回率。

3. 注意力机制创新：CBAM的双路径设计（通道注意力+空间注意力）在PanNuke数据集实现87.23%召回率的同时，将误报率控制在12.77%，验证其对异质组织的过滤能力。

研究意义

这项研究突破性地解决了病理图像分析中的"三难困境"——在保持计算效率（剪枝后模型仅0.5M参数）的前提下，同时实现多尺度特征捕获（JPFM）和精准区域定位（CBAM）。其提出的渐进式剪枝策略（L1-L4）为移动端部署铺平道路，而跨器官验证（PanNuke）显示的83.25% Dice系数，更预示其在泛癌种病理分析中的潜力。未来通过TensorRT加速优化，有望将推理时间压缩至10ms以内，真正实现"显微镜即AI"的实时诊断场景。