Сегментация клеток является базовой задачей анализа биомедицинских изображений и имеет важное прикладное значение в патологической диагностике и клеточной биологии. Точная сегментация ядер клеток критична для скрининга заболеваний, анализа микросреды опухоли и разработки планов лечения. Однако высокая гетерогенность форм клеток, частое перекрытие, а также шум и неравномерное освещение существенно усложняют автоматическую сегментацию на изображениях тканей. Несмотря на прогресс традиционных методов и методов глубокого обучения, они всё ещё испытывают значительные ограничения в сложных условиях, таких как перекрытие клеток и размытые границы. В связи с этим в данной работе предложена модель NucleiViT на основе визуального трансформера (Vision Transformer, ViT), которая путём объединения совместной оптимизации признаков, оптимизации механизма внимания и разработки функции потерь с осознанием границ области реализует точное обнаружение и сегментацию клеток. Ключевое нововведение модели — интеграция механизма скользящего окна с расширенным вниманием для взаимодействия признаков между различными ветвями задач в общем модуле, максимизируя преимущества многозадачного обучения; одновременно введена функция потерь с совместным осознанием граничных областей для повышения чувствительности к распознаванию клеточных границ. Результаты экспериментов показывают, что NucleiViT превосходит существующие основные методы по точности сегментации клеток и вычислительной эффективности, особенно демонстрируя лучшую устойчивость в условиях плотного перекрытия клеток, эффективно обслуживая анализ клинических патологических изображений.

сегментация клеток;совместная многозадачная оптимизация;функция потерь с осознанием границ;нейронные сети