CAS-UNet:一种带有边界距离辅助监督的上下文自适应编码器-解码器网络,用于组织病理学核分割

《Journal of Imaging Informatics in Medicine》:CAS-UNet: A Context-Adaptive Encoder-Decoder Network with Boundary-Distance Auxiliary Supervision for Histopathological Nuclei Segmentation

【字体: 大 中 小 】 时间:2026年10月16日 来源:Journal of Imaging Informatics in Medicine 3.1

编辑推荐:

   摘要组织病理学核分割对于定量病理分析至关重要,但由于染色差异、组织背景异质性、核形态多样性、边界模糊以及高分辨率图像训练中常用的有限批量大小,仍然面临巨大挑战。本研究提出了CAS-UNet,一种带有边界距离辅助监督的上下文自适应编码器-解码器框架,用于二值核区域分割。该网络整

  

摘要

组织病理学核分割对于定量病理分析至关重要,但由于染色差异、组织背景异质性、核形态多样性、边界模糊以及高分辨率图像训练中常用的有限批量大小,仍然面临巨大挑战。本研究提出了CAS-UNet,一种带有边界距离辅助监督的上下文自适应编码器-解码器框架,用于二值核区域分割。该网络整合了用于自适应多尺度上下文聚合的病理自适应上下文金字塔、用于语义引导跳跃特征过滤的归一化跳跃选择模块、用于小批量设置下特征重建的组归一化残差解码器,以及用于结构约束学习的边界距离辅助监督。CAS-UNet在五个公开的组织病理学核数据集上进行了评估,包括CoNIC、CPM17、MoNuSeg、NuInsSeg和PanNuke。在主要基准比较中,CAS-UNet在五个数据集上均取得了所评估分割方法中最高的Dice和IoU值。使用五个配对随机种子的补充对照实验进一步表明,在相同的数据划分和训练配置下,CAS-UNet相对于U-Net和DeepLabV3+具有持续的提升。额外的实验表明,与传统图像处理流水线相比性能有所提升,并且在不同批量大小下,使用组归一化比批量归一化具有更一致的分割结果。多种子组件消融实验进一步表征了PACP、NSSM、基于组归一化的解码和BDAS的贡献。所提出的CAS-UNet为二值核区域分割提供了一个准确可靠的框架。未来的工作将聚焦于实例分离、染色鲁棒的领域适应、独立临床验证和全切片图像评估,以进一步探索其在下游病理分析中的潜力。

组织病理学核分割对于定量病理分析至关重要,但由于染色差异、组织背景异质性、核形态多样性、边界模糊以及高分辨率图像训练中常用的有限批量大小,仍然面临巨大挑战。本研究提出了CAS-UNet,一种带有边界距离辅助监督的上下文自适应编码器-解码器框架,用于二值核区域分割。该网络整合了用于自适应多尺度上下文聚合的病理自适应上下文金字塔、用于语义引导跳跃特征过滤的归一化跳跃选择模块、用于小批量设置下特征重建的组归一化残差解码器,以及用于结构约束学习的边界距离辅助监督。CAS-UNet在五个公开的组织病理学核数据集上进行了评估,包括CoNIC、CPM17、MoNuSeg、NuInsSeg和PanNuke。在主要基准比较中,CAS-UNet在五个数据集上均取得了所评估分割方法中最高的Dice和IoU值。使用五个配对随机种子的补充对照实验进一步表明,在相同的数据划分和训练配置下,CAS-UNet相对于U-Net和DeepLabV3+具有持续的提升。额外的实验表明,与传统图像处理流水线相比性能有所提升,并且在不同批量大小下,使用组归一化比批量归一化具有更一致的分割结果。多种子组件消融实验进一步表征了PACP、NSSM、基于组归一化的解码和BDAS的贡献。所提出的CAS-UNet为二值核区域分割提供了一个准确可靠的框架。未来的工作将聚焦于实例分离、染色鲁棒的领域适应、独立临床验证和全切片图像评估,以进一步探索其在下游病理分析中的潜力。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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