CellRa:一种基于区域信息的细胞分割方法
《Engineering Applications of Artificial Intelligence》:CellRa: A region-aware method for cell segmentation
【字体:
大
中
小
】
时间:2026年01月08日
来源:Engineering Applications of Artificial Intelligence 8
编辑推荐:
细胞分割作为生物学和临床医学的重要研究热点,其高效准确的方法始终是学界关注焦点。本文提出区域感知的细胞分割方法CellRa,通过特征聚类注意力机制实现区域自适应特征提取,采用三路并行解码器增强特征表达并建立共享分离注意力进行区域间特征融合,配合联合损失函数加权机制优化模型性能。实验表明在两个公开数据集上,CellRa的Dice系数达91.58%和97.14%,IoU值分别为84.47%和94.44%,显著优于现有方法。
纪俊中|朱慕然|刘金铎
北京工业大学,中国北京
摘要
细胞分割是生物学和临床医学中的一个研究热点,因为它在辅助医学诊断中发挥着重要作用。尽管深度学习已广泛应用于这一任务,但现有方法通常对所有区域使用相同的特征提取模式。这忽略了区域内的相似特征以及它们之间的密度差异,容易导致性能不佳。为了解决这些问题,本文提出了一种名为CellRa的区域感知细胞分割方法。具体而言,CellRa主要包括三个模块:区域特征提取模块、区域特征增强模块和区域特征融合模块。区域特征提取模块采用了一种新颖的特征聚类注意力机制,以区分不同密度的细胞区域并自适应地提取详细的细胞特征。随后,区域特征增强模块利用三个并行解码器从不同角度细化提取的特征。这些解码器之间通过共享的可分离注意力机制建立连接,从而能够全面捕捉同一区域内的相似细胞特征。最后,区域特征融合模块结合了一种损失函数加权机制,以平衡不同解码器的贡献。在两个公共数据集上的实验结果表明,CellRa实现了最先进的性能,超过了强大的基准模型。具体来说,CellRa的Dice相似系数分别为91.58%和97.14%,交并比(IoU)得分分别为84.47%和94.44%。这些结果证明了在分割精度方面的显著和可量化的改进。
引言
细胞分割旨在准确分割显微镜下观察到的细胞区域并勾勒出边缘轮廓(Zhang等人,2025年)。近年来,细胞分割已广泛应用于医学诊断任务(Yang等人,2024年;Hrst等人,2023年;Asha等人,2023年;Ma等人,2025年),例如癌症筛查(Huan Lin等人,2022年;Sompawong等人,2019年;Baptista等人,2022年;Liu等人,2025b年)、分子表型预测(Diao等人,2024年;Levy等人,2022年;Liu等人,2025a年)和疾病监测(Hoque等人,2023年;Wang等人,2024年;Zhao等人,2023年)。通过分割细胞,医生可以更清晰、更直观地了解细胞的大小、位置和形状等信息。这些信息不仅有助于医生更好地了解患者的情况(Graham等人,2019年;Yi等人,2019年),还为医学诊断中的治疗和计划提供了重要依据。因此,细胞分割具有重要的科学研究意义和临床应用价值(Li等人,2025年;Kirkeby等人,2023年)。
随着人工智能的不断发展,出现了许多新的细胞分割方法。这些方法大致可以分为两类(Ji等人,2023年):传统机器学习方法和深度学习技术。传统机器学习方法通常依赖于单阈值分割、模板匹配或统计形状模型来处理手动提取的细胞特征进行分割(Radha和Yepuganti,2024年)。虽然这些方法取得了合理的结果,但它们对手动特征提取的依赖限制了分割效率。
近年来,由于深度学习具有强大的特征提取能力(Aswath等人,2023年;Huang等人,2025年),特别是在细胞图像分割方面取得了显著进展(Hollandi等人,2019年;Chen等人,2024年;Jiang等人,2023年),深度学习方法已被广泛应用于医学任务。这些方法主要包括基于全连接神经网络(FCNNs)、循环神经网络(RNNs)、卷积神经网络(CNNs)和Transformer的方法(Pham等人,2018年)。由于这些方法具有强大的特征提取能力,它们在细胞分割领域得到了广泛应用。然而,大多数深度学习方法对所有细胞区域采用统一的特征提取方法,这忽略了区域间细胞密度的差异,未能捕捉同一区域内细胞之间的共有特征,最终可能影响分割性能。
为了解决上述问题,本文提出了一种区域感知的细胞分割方法,称为CellRa(Region-Aware Cell Segmentation),旨在充分利用区域信息来提高细胞分割的性能。具体而言,该方法包括三个关键模块:区域特征提取模块、区域特征增强模块和区域特征融合模块。首先,在区域特征提取模块中,我们利用特征聚类注意力机制区分不同密度的细胞区域,从而自适应地提取不同区域的详细特征。然后,区域特征增强模块使用三个并行解码器从三个不同角度预测分割掩码图、轮廓图和核边缘图,以增强提取的细胞特征。这些解码器通过共享的可分离注意力网络建立连接,从而全面捕捉同一区域内的相似细胞特征,从而提高特征表示能力。最后,在区域特征融合模块中,使用损失函数加权机制来平衡不同解码器的贡献,提高分割结果的准确性。
我们工作的主要贡献如下:
- 我们提出了一种基于区域感知方法的新型细胞分割方法(CellRa),旨在充分利用区域内细胞之间的空间关系来提高细胞分割的性能。
- 我们构建了一个区域特征提取模块,该模块利用特征聚类注意力机制自适应地对区域内的相似特征进行分组,重点关注区域的独特特征,显著增强了模型的特征提取能力。
- 我们设计了一个区域特征增强模块。它利用三个并行解码器来增强特征表示,并通过共享的可分离注意力促进共同学习,从而捕捉同一区域内细胞的相似特征。
- 在两个公共数据集上的系统实验表明,CellRa的性能优于几种主流方法。
相关研究
相关工作
在本节中,我们将详细介绍基于四种方法类别的研究工作:全连接神经网络(FCNNs)、循环神经网络(RNNs)、卷积神经网络(CNNs)和Transformer。
基于FCNN的方法。基于FCNN的方法通过全连接层对全局信息进行建模,非常适合处理非结构化数据。例如,Naylor等人(2018年)将分割任务转化为距离图回归问题来处理
方法
在本节中,我们将介绍基于区域感知方法的新型细胞分割方法CellRa。首先,我们将概述所提出的模型,然后描述相应组件的详细信息。
实现细节
我们使用初始学习率为1e?4的ADAM优化器来优化模型。默认批量大小设置为1,图像大小为512 × 512。模型在单个NVIDIA RTX 3090 GPU上进行微调。除非另有说明,所有实验设置均遵循Liu等人(2021年)和He等人(2023年)的基准论文。为了提高训练性能,我们采用了加权组合损失函数,包括加权交叉熵损失(Weighted Cross-Entropy Loss)
结论
为了充分利用区域信息来提高细胞分割的性能,本文提出了一种区域感知的细胞分割方法,称为CellRa。该方法包括三个关键模块:区域特征提取模块、区域特征增强模块和区域特征融合模块。首先,区域特征提取模块利用特征聚类注意力自适应地从不同区域提取详细特征。然后,
局限性与未来工作
尽管CellRa在两个公共基准数据集上表现优异,但本研究仍存在一些局限性。首先,模型验证主要在仅包含数百张图像的数据集上进行。尽管我们在两种成像模式(组织学和荧光显微镜)上测试了该模型,但数据规模有限且缺乏多样性(例如,在不同医疗中心、染色方案和扫描仪之间)。因此,其在实际临床环境中的鲁棒性仍需进一步验证
CRediT作者贡献声明
纪俊中:撰写 – 审稿与编辑,撰写 – 原稿。朱慕然:撰写 – 原稿,可视化,方法论。刘金铎:撰写 – 审稿与编辑,验证,监督,方法论。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
致谢
本工作得到了北京Nova计划(20240484635)的支持,并得到了国家自然科学基金(62276010, 62106009)的资助。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号