摘要

医学图像分割在计算机辅助诊断、手术规划及治疗中发挥着重要作用。通过数字化组织切片图像，可对腺体、细胞核及其他生物标志物进行分析与分割，进而支持各类计算机辅助医疗应用。为此，众多研究者提出了多种神经网络模型用于组织病理图像的分割任务，其中大多数网络采用编码器-解码器架构，并引入复杂的注意力机制或Transformer模块。然而，这些方法在多尺度下准确捕捉局部与全局特征、实现精确边界定位方面仍存在局限。为此，本文提出一种新型编码器-解码器网络，结合快速注意力模块（Quick Attention Module）与多损失函数（包含二元交叉熵损失BCE Loss、焦点损失Focal Loss与Dice损失的组合）。我们在两个公开可用的医学图像分割数据集——MoNuSeg和GlaS上评估了所提网络的泛化能力，结果表明，相较于现有最先进方法，本模型在MoNuSeg数据集上取得了1.99%的性能提升，在GlaS数据集上更是实现了7.15%的显著提升。代码实现已开源，可通过以下链接获取：https://bit.ly/HistoSeg