Trans2Unet：用于细胞核语义分割的神经融合方法

尽管核分割在组织病理学图像分析中具有基础性作用，但仍是一项极具挑战性的任务。该任务的主要难点在于存在核重叠区域，这使得独立核的分离变得更加复杂。本文提出了一种新型双分支网络架构，通过融合Unet与TransUnet网络结构，用于核分割任务。所提出的架构命名为Trans2Unet：首先，输入图像被送入Unet分支，该分支的最后一个卷积层被移除，从而使得网络能够整合输入图像中不同空间区域的特征，并更精确地定位感兴趣区域。与此同时，输入图像也被送入第二个分支——即TransUnet分支，在该分支中，图像被划分为多个图像块（patches）。借助视觉Transformer（Vision Transformer, ViT）结构，TransUnet可作为医学图像分割任务中的强大编码器，通过恢复局部空间信息来增强图像细节。为进一步提升Trans2Unet的效率与性能，本文提出引入一种计算高效的变体模块——“瀑布”空洞空间池化带跳跃连接（Waterfall Atrous Spatial Pooling with Skip Connection, WASP-KC）模块，该模块的设计灵感来源于“瀑布”空洞空间池化（WASP）模块。在2018年Data Science Bowl基准数据集上的实验结果表明，所提出的Trans2Unet架构在分割性能上优于以往的多种模型，充分验证了其有效性与先进性。