《Displays》：CellKAN: Cellular multi-attention Kolmogorov-Arnold networks for nuclei segmentation in histopathology images
编辑推荐：
细胞核分割方法，提出CellKAN网络，整合多尺度卷积模块（MSCB）、混合多维注意力机制（HMDA）和Kolmogorov-Arnold网络块（KAN-Block），解决小病灶漏检、形态异质性和低对比度边界问题，在多个病理数据集上表现优于U-KAN和nnUNet，参数减少49.7%。
Zhixian Tang|Zhentao Yang|Xucheng Cai|Zhuochen Li|Ling Wei|Pengfei Fan|Xufeng Yao
上海医学健康科学大学嘉定区中心医院医学影像学院，中国上海201800
摘要
本文提出了一种名为CellKAN的新型医学图像分割网络，用于组织病理学图像中的细胞核检测。该模型整合了多尺度卷积块（MSCB）、混合多维注意力（HMDA）机制和Kolmogorov-Arnold网络块（KAN-Block），以应对诸如遗漏微小病变、异质形态解析以及低对比度边界不准确等问题。MSCB通过分层细化增强多尺度特征提取，而HMDA通过3D卷积和双路径池化捕捉跨通道-空间的依赖性。KAN-Block用可学习的非线性函数替代了线性权重，提高了模型的可解释性并减少了参数数量。在MoNuSeg、PanNuke以及一个内部胃肠数据集上的评估表明，CellKAN的Dice系数分别为82.91%、83.50%和71.38%，比现有最先进模型（如U-KAN、nnUNet）高出1.29%-4.49%。消融研究验证了MSCB和HMDA分别对PanNuke的Dice分数提高了0.35%和0.48%。与nnUNet相比，该模型还减少了49.7%的参数数量，同时保持了高精度，实现了精度与效率的平衡。视觉结果展示了其在噪声抑制、边界勾勒和结构完整性方面的优越性，凸显了其在临床病理分析中的潜力。
引言
癌症仍然是全球主要的死亡原因之一，每年新诊断的病例数量不断增加。根据最新的全球癌症统计数据，全球共有超过1997.4万例新发癌症病例和974.4万例癌症相关死亡病例[1]。鉴于全球癌症负担的严重性，准确及时的诊断对于有效治疗和改善患者预后至关重要。病理分析是癌症诊断的金标准，它允许在细胞和分子水平上对组织样本进行详细检查。然而，病理图像的复杂性往往给准确诊断带来挑战。为了精确识别癌细胞，病理学家首先必须区分单个细胞核，因为它们携带关键的遗传和形态信息。异常的细胞核特征，如多形性和核染色加深，是恶性肿瘤的典型迹象[2]。因此，开发有效的病理图像中细胞核分割方法至关重要。这为后续的深入分析提供了必要的基础。
然而，传统的手动分割方法存在耗时等缺点。特别是在复杂的病理应用中，细胞核的异质性、分布重叠以及染色差异严重限制了诊断的一致性和准确性[3]。尽管Jung等人提出的网络提高了分割精度，但其模型主要针对特定数据集进行训练，对于其他染色类型或组织结构的泛化能力仍然不足，这限制了临床应用的范围。随着对数字病理技术需求的增长以及人工智能（AI）算法的突破，基于深度学习的智能细胞核分割技术正在逐步克服这些挑战，不断推动临床病理分析向自动化和标准化方向发展[4,5]。例如，Pescia等人的研究表明，人工智能通过提高诊断准确性和效率正在革新病理学[6]，深度学习推动了这一进步。该领域的发展始于从病理切片中提取基本特征的卷积神经网络（CNN）；随后，改进的网络如U-Net[7]实现了组织分割。在更高级的阶段，基于注意力的模型通过长距离依赖性捕获优化了复杂的病理模式识别。然而，大多数当前模型仍存在明显局限：它们缺乏组织全局相关性分析能力，迫切需要提高可靠性和泛化能力。
为了解决这些问题，本文提出了CellKAN这种新型医学病理图像分割网络。本文的主要创新点如下：
(1)多尺度特征和跨维度注意力机制的整合：多尺度卷积块（MSCB）的分层卷积核（3×3/5×5/7×7）能够捕捉多尺度病变，3D卷积和混合多维注意力（HMDA）增强了通道-空间依赖性，有效解决了因染色异质性导致的微小细胞核遗漏检测和边界模糊问题。
(2)基于Kolmogorov-Arnold网络的轻量级模型构建：KAN-Block用可学习的非线性函数替代了传统的线性权重，使得模型参数更少，平衡了分割精度和计算效率。
(3)跨数据集鲁棒性和临床适用性的验证：在多个病理数据集上，该模型的性能优于其他分割模型。
相关研究
相关工作
近年来，研究人员在分割模型方面进行了广泛的探索，当前主流模型类型可以分为以下三类：
方法
本文提出的图像分割模型CellKAN是在U-KAN的基础上改进的编码器-解码器网络，结合了卷积神经网络、多维注意力机制和Kolmogorov-Arnold网络（KAN）。其网络架构如图1所示。核心在于多尺度卷积和混合注意力的结合，并通过KAN-Block实现目标区域的精确定位。这有效解决了染色问题
数据集
本文在三个组织病理学图像数据集上评估了所提出的模型，包括两个公共基准数据集和一个私有数据集，具体信息如表1所示：
MoNuSeg数据集：该数据集源自MICCAI细胞核分割挑战赛，包含38张图像，共有28,623个标注的细胞核边界。为了扩展数据集，每张图像被分成9个相等部分，总共得到342张图像。该数据集验证了模型的
讨论
本研究介绍了CellKAN，这是一种集成多尺度卷积块（MSCB）、混合多维注意力（HMDA）和Kolmogorov-Arnold网络块（KAN-Block）的新型网络，用于组织病理学中的细胞核分割。该模型解决了微小病变遗漏检测、异质形态解析以及低对比度边界不准确等问题。CellKAN打破了传统轻量级模型的设计范式，这些模型通常具有固定的激活函数和参数设置
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
