深度学习的注意力引导粗糙残余U-Net：结肠组织病理图像自动腺体分割创新

本文主要探讨了在结肠组织病理学图像分析领域中，一种名为Attention-Guided deep Atrous-Residual U-Net的深度学习架构的应用。这种创新的自动腺体分割技术在医学信息学解锁的背景下，针对结肠癌诊断中的关键任务——腺体分割，提出了全新的解决方案。 该架构的设计重点在于结合深度学习的残余学习和注意力机制，以解决医学图像中的细微变化和空间信息保持问题。Atrous残差单元增强了网络的深度学习能力，通过孔洞采样获取多尺度特征，有效解决了梯度消失问题，使得模型能够捕捉到更丰富的特征表示。Attention单元则引入了注意力机制，专门提取腺体的细节特征，实现目标的精细化处理和语义特征的整合，提高了分割精度。 过渡Atrous单元采用密集的多尺度特征融合策略，确保了模型在处理分辨率变化时的稳健性。为了增强模型的泛化性能，研究者采用了数据增强和染色归一化等技术。实验结果通过对比两个公开数据集（GlaS挑战和CRAG）以及一个私有医院数据集HosC来验证，表明Attention-Guided deep Atrous-Residual U-Net在F1分数、对象- Dice指数和对象- Hausdorff距离等多个评估指标上均取得了显著优于现有技术的性能，尤其在GlaS和CRAG数据集上提升分别达到2%和3.7%以上。 在私有HosC数据集上，模型的表现同样出色，F1分数为0.947，Object-Dice指数为0.912，Object-Hausdorff距离为89.78。此外，模型的输出结果经多位病理学家评分验证，其在GlaS、CRAG和HosC上的评分分别达到0.9132、0.9032和0.904，充分证明了模型在临床实践中的实用性和相关性，有助于病理学家制定精确的诊断和治疗方案。 Attention-Guided deep Atrous-Residual U-Net架构为结肠组织病理学图像的自动腺体分割提供了一个高效且精确的方法，有望在未来的临床应用中发挥重要作用，提高癌症早期检测和诊断的准确性。