يعد تقسيم الخلايا مهمة أساسية في تحليل الصور الطبية الحيوية وله قيمة تطبيقية مهمة في التشخيص النسيجي وعلم الأحياء الخلوي. يعد التقسيم الدقيق لنواة الخلية أمرًا حيويًا في فحص الأمراض وتحليل بيئة الورم وتطوير خطط العلاج. ومع ذلك، فإن التنوع الشديد في شكل الخلايا وتكرار التداخل فيها داخل صور الأنسجة، بالإضافة إلى الضوضاء وعدم تجانس الإضاءة، يزيدان بشكل ملحوظ من صعوبة التقسيم التلقائي. على الرغم من التقدم المحرز في الطرق التقليدية والتعلم العميق، إلا أن هناك حدودًا واضحة في ظل ظروف التعقيد مثل تداخل الخلايا وحدودها الغامضة. لذلك، تقترح هذه الورقة نموذج NucleiViT المبني على المحول البصري (Vision Transformer، ViT)، والذي يدمج تحسين الميزات المشترك، وتحسين آلية الانتباه، وتصميم دالة فقدان إدراك حدود المناطق من أجل تحقيق الكشف الدقيق والتقسيم الدقيق للخلايا. الابتكار الأساسي في هذا النموذج هو دمج آلية انتباه تضخمي مع نافذة منزلقة لتحقيق تبادل الميزات بين فروع المهام المختلفة في وحدة مشاركة، مما يعظم فوائد التعلم المتعدد المهام؛ وفي الوقت نفسه، يتم إدخال دالة فقدان إدراك حدود المناطق المشتركة لتعزيز حساسية التعرف على حدود الخلايا. تظهر النتائج التجريبية أن NucleiViT يتفوق على الطرق السائدة الحالية من حيث دقة تقسيم الخلايا وكفاءة الحوسبة، خاصة في سيناريوهات التداخل الكثيف للخلايا، مع إظهار ثبات أفضل وتوفير خدمة فعالة لتحليل صور علم الأمراض السريرية.

تقسيم الخلايا;التحسين المشترك متعدد المهام;فقدان إدراك الحدود;الشبكات العصبية