用于精确细胞分割的边界感知双编码器学习

《Scientific Reports》：Boundary aware dual encoder learning for accurate cell segmentation

　　

摘要

准确的细胞分割是计算病理学和生物医学图像分析中的一项基础任务，直接影响疾病诊断、癌症分级和药物发现等应用。尽管深度学习近期取得了进展，但现有方法往往难以在密集且形态复杂的细胞结构中进行精确的边界划定。在本文中，我们提出了一种新的边界引导双编码器架构，该架构明确地将语义区域表示与结构边界建模分离开来。提出的框架集成了基于 ResNet-50 的区域编码器和轻量级 ResNet-18 边界编码器，通过边界引导注意力机制实现有效的多尺度特征融合。这种设计提高了分割精度，特别是在模糊和低对比度边界处。在 BCCD 数据集上的实验结果表明，提出的模型达到了 95.85% 的 Dice 系数和 97.47% 的像素准确率，优于几种最先进的方法，同时保持了显著更低的计算复杂度。具体来说，该模型仅需 12.70 M 参数和 36.86 GFLOPs，使其适用于部署在资源受限的医疗环境中。