Enhancing Nuclei Segmentation with Deep Image Segment Network (DI-SegNet) in Hematoxylin and Eosin-Stained Histopathological Images

병리학 영상 분석에서 핵의 분할은 진단 및 디지털 병리학 연구에 매우 중요한 역할을 한다. 분할 작업의 자동화는 병리학자의 부담을 줄이면서 진단의 정확성을 향상시킵니다. 대부분의 U-Net 기반 접근법은 널리 사용되지만 시야 제한과 모델 과적합 등의 문제가 있습니다. 본 연구에서는 헤마톡실린 및 에오신(H&E) 염색 병리 이미지에서 세포핵의 정확한 분할을 위해 딥 이미지 분할 네트워크(DI-SegNet)를 제안한다. 제안된 네트워크는 확장된 수용체 필드를 통해 개선된 경량 컨볼루션 블록(Lightweight Convolution Block) 기반의 개선된 컨볼루션 모듈과 글로벌 컨텍스트 표현을 위한 보틀넥 잔차 변환기(Botteneck Residual Transformer, BRT) 블록을 포함합니다. 또한, 정확한 분할을 위해 스템 모듈과 적응형 가중 손실 함수(Adaptive Weighted Loss Function, 적응형 가중 손실 함수)를 도입합니다. 실험 결과, DI-SegNet은 다른 최첨단 모델들을 능가하며 강력한 일반화 능력을 보여줍니다. MoNuSAC 및 MoNuSeg 데이터셋에 대한 평가에서 제안된 DI-SegNet은 주사위 유사성 인자(DSC) 및 통합 자카드 지수(AJI) 측면에서 기존 방법들을 능가합니다.