細胞分割は生物医学画像解析の基本的な課題であり、病理診断や細胞生物学において重要な応用価値を持つ。正確な細胞核分割は、疾患スクリーニング、腫瘍微小環境解析、治療計画の策定に不可欠である。しかし、組織画像における細胞形態の高度な異質性や頻繁な重なり、さらにノイズや不均一な照明は、自動分割の難易度を著しく増加させる。従来の手法や深層学習手法は進展を遂げているものの、細胞の重なりや境界のあいまいさといった複雑な条件下では依然として明確な限界に直面している。そこで、本論文では視覚変換器（Vision Transformer、ViT）に基づくNucleiViTモデルを提案し、特徴の共同最適化、注意機構の最適化、領域境界認識損失関数の設計を組み合わせることで、細胞の精密な検出と分割を実現する。このモデルの核心的な革新は、スライディングウィンドウ膨張注意機構を組み合わせ、共有モジュール内で異なるタスクブランチの特徴相互作用を実現し、多タスク学習の利点を最大化した点にある。また、共同境界領域認識損失関数を導入し、細胞境界の認識感度を強化している。実験結果は、NucleiViTが細胞分割の精度と計算効率の両面で既存の主流手法を上回り、特に細胞が密集して重なり合う場面で優れたロバスト性を示し、臨床病理画像解析に効果的に貢献することを示した。

細胞分割;多タスク共同最適化;境界認識損失;ニューラルネットワーク