25、TransNuSeg：用于细胞核分割的轻量级多任务Transformer

TransNuSeg：用于细胞核分割的轻量级多任务Transformer

1. 引言

癌症的准确诊断、分级以及治疗决策在很大程度上依赖于对医学图像中复杂细胞核结构的分析。然而，数字化全切片图像（WSI）或深度学习输入的图像块中包含大量细胞核，对细胞核轮廓进行密集注释既耗时又耗力。因此，自动化细胞核分割方法应运而生，其中深度学习方法，特别是卷积神经网络（CNNs），因其简单性和泛化能力而受到广泛关注。

现有的一些方法存在不足。例如，UNet变体中的单解码器设计在缺乏精确边缘信息时，难以分割密集聚集的细胞核。后来出现的双解码器网络，如深度轮廓感知神经网络（DCAN），通过多任务学习提高了实例分割性能，一个解码器用于分割细胞核，另一个用于识别边缘。CIA - Net在此基础上增加了信息聚合器以实现更精确的分割。最近的CA2.5 - Net则通过多任务学习识别聚集边缘，取得了更高的性能。但这些多解码器网络存在一个显著问题，即忽略了各分支预测的一致性，导致性能欠佳且各分支之间的相关性缺失。

此外，现有的方法大多基于CNN，其卷积操作无法捕捉全局空间信息或细胞核之间的相关性，而领域专家在准确分配细胞核时非常依赖这些信息。受Transformer在捕捉长距离全局上下文方面的能力启发，研究人员首次尝试构建基于三解码器的Transformer模型来分割细胞核，即TransNuSeg。其主要贡献有三点：
- 提出了一种新颖的多任务框架TransNuSeg，这是首个完全由Swin - Transformer驱动的细胞核分割架构。
- 提出了一种新颖的自蒸馏损失，用于调节细胞核解码器和正常边缘解码器之间的一致性，以缓解各分支预测的不一致性。
- 提出了一种创新的注意力共享方