Die Zellsegmentierung ist eine grundlegende Aufgabe in der biomedizinischen Bildanalyse und hat einen wichtigen Anwendungswert in der pathologischen Diagnostik und Zellbiologie. Die präzise Segmentierung von Zellkernen ist entscheidend für die Krankheitsfrüherkennung, die Analyse des Tumormikromilieus und die Entwicklung von Behandlungsplänen. Allerdings erhöhen die hohe Heterogenität der Zellformen, häufige Überlappungen in Gewebebildern sowie Rauschen und ungleichmäßige Beleuchtung die Schwierigkeit einer automatischen Segmentierung erheblich. Trotz Fortschritten traditioneller und Deep-Learning-Methoden bestehen bei komplexen Bedingungen wie Zellüberlappungen und unscharfen Grenzen weiterhin deutliche Einschränkungen. Daher wird in diesem Artikel ein NucleiViT-Modell vorgestellt, das auf dem Vision Transformer (ViT) basiert und durch die Kombination von gemeinsamer Merkmaloptimierung, Optimierung des Aufmerksamkeitsmechanismus und Gestaltung einer regionsgrenzbewussten Verlustfunktion eine präzise Zellerkennung und -segmentierung ermöglicht. Die Kerninnovation des Modells liegt in der Integration eines dilatierten Attention-Mechanismus mit gleitendem Fenster, der in einem gemeinsamen Modul den Austausch von Merkmalen zwischen verschiedenen Aufgabenbranchen realisiert und so die Vorteile des Multitask-Lernens maximiert; gleichzeitig wird eine gemeinsame regionsgrenzbewusste Verlustfunktion eingeführt, die die Erkennungsempfindlichkeit für Zellgrenzen erhöht. Die experimentellen Ergebnisse zeigen, dass NucleiViT sowohl in der Zellsegmentierungsgenauigkeit als auch in der Recheneffizienz bestehende gängige Methoden übertrifft, insbesondere zeigt es im Szenario dichter Zellüberlappung eine höhere Robustheit und dient effektiv der klinischen pathologischen Bildanalyse.

Zellsegmentierung;gemeinsame Multitask-Optimierung;grenzbewusster Verlust;Neuronale Netze