세포 분할은 생물 의학 영상 분석의 기본 과제로서 병리 진단 및 세포 생물학에서 중요한 응용 가치를 갖는다. 정확한 세포 핵 분할은 질병 선별, 종양 미세환경 분석 및 치료 계획 수립에 매우 중요하다. 그러나 조직 영상 내 세포 형태의 높은 이질성, 빈번한 중첩, 잡음 및 불균일한 조명은 자동 분할의 난이도를 크게 증가시킨다. 전통적인 방법과 딥러닝 방법이 발전했음에도 세포 중첩, 경계 모호성 등 복잡한 조건에서는 여전히 한계가 존재한다. 이에 본 논문에서는 Vision Transformer(ViT)를 기반으로 한 NucleiViT 모델을 제안하며, 특징 공동 최적화, 어텐션 메커니즘 최적화 및 영역 경계 인식 손실 함수 설계를 결합하여 세포의 정밀한 검출 및 분할을 실현한다. 이 모델의 핵심 혁신은 슬라이딩 윈도우 확장 어텐션 메커니즘을 결합하여 공유 모듈 내에서 다양한 과제 분기의 특징 상호작용을 구현함으로써 다중 과제 학습의 이점을 극대화하고, 동시에 공동 경계 영역 인식 손실 함수를 도입해 세포 경계 인식 민감도를 향상시켰다는 점이다. 실험 결과 NucleiViT는 세포 분할 정확도와 계산 효율성 모두에서 기존 주류 방법을 능가하며, 특히 세포가 밀집해 중첩된 상황에서 더 뛰어난 강인성을 보이며 임상 병리 영상 분석에 효과적으로 기여한다.

세포 분할;다중 과제 공동 최적화;경계 인식 손실;신경망