A segmentação celular é uma tarefa fundamental na análise de imagens biomédicas, com importante valor aplicado no diagnóstico patológico e na biologia celular. A segmentação precisa dos núcleos celulares é crucial para o rastreamento de doenças, análise do microambiente tumoral e elaboração de planos de tratamento. No entanto, a alta heterogeneidade morfológica das células, a frequente sobreposição em imagens de tecidos, bem como o ruído e a iluminação desigual, aumentam significativamente a dificuldade da segmentação automática. Apesar dos avanços nos métodos tradicionais e de aprendizagem profunda, ainda existem limitações evidentes em condições complexas, como sobreposição celular e bordas desfocadas. Para isso, este artigo propõe um modelo NucleiViT baseado no Vision Transformer (ViT), que, por meio da combinação da otimização conjunta de características, otimização do mecanismo de atenção e design de uma função de perda com percepção de borda regional, realiza a detecção e segmentação precisas das células. A inovação central do modelo reside na combinação do mecanismo de atenção dilatada com janela deslizante, que permite a interação de características entre diferentes ramos de tarefas em um módulo compartilhado, maximizando as vantagens do aprendizado multitarefa; ao mesmo tempo, introduz uma função de perda conjunta com percepção da borda regional para aumentar a sensibilidade ao reconhecimento das bordas celulares. Os resultados experimentais mostram que o NucleiViT supera os métodos predominantes existentes em precisão de segmentação celular e eficiência computacional, apresentando especialmente melhor robustez em cenários de sobreposição celular densa, atendendo efetivamente à análise de imagens patológicas clínicas.

segmentação celular;otimização conjunta multitarefa;perda com percepção de borda;redes neurais