La segmentation cellulaire est une tâche fondamentale de l'analyse d'images biomédicales, ayant une importance significative en diagnostic pathologique et en biologie cellulaire. Une segmentation précise des noyaux cellulaires est cruciale pour le dépistage des maladies, l'analyse du microenvironnement tumoral et l'élaboration de protocoles thérapeutiques. Cependant, la morphologie élevée et hétérogène des cellules dans les images tissulaires, la superposition fréquente, ainsi que le bruit et l'éclairage non uniforme, augmentent considérablement la difficulté de la segmentation automatique. Malgré les progrès des méthodes traditionnelles et de l'apprentissage profond, des limites restent dans des conditions complexes telles que le chevauchement cellulaire et les frontières floues. Ainsi, cet article propose un modèle NucleiViT basé sur le Vision Transformer (ViT), combinant l'optimisation conjointe des caractéristiques, l'optimisation du mécanisme d'attention et la conception d'une fonction de perte sensible aux frontières régionales pour réaliser une détection et une segmentation précises des cellules. L'innovation centrale du modèle réside dans l'intégration d'un mécanisme d'attention dilatée à fenêtre glissante, permettant l'interaction des caractéristiques entre différentes branches de tâches dans un module partagé, maximisant les avantages de l'apprentissage multitâche ; parallèlement, une fonction de perte conjointe sensible aux frontières régionales est introduite pour renforcer la sensibilité à la reconnaissance des frontières cellulaires. Les résultats expérimentaux montrent que NucleiViT surpasse les méthodes traditionnelles en précision de segmentation cellulaire et en efficacité calculatoire, démontrant une meilleure robustesse notamment dans les scénarios de chevauchement cellulaire dense, servant efficacement l'analyse des images pathologiques cliniques.

segmentation cellulaire;optimisation conjointe multitâche;perte sensible aux frontières;réseaux neuronaux