面对极端数据限制下的乳腺细胞分割：量子增强与自适应损失稳定

标注医学图像需要大量时间和专业知识，通常需要病理学家投入数百小时来标记乳腺上皮核 dataset。我们通过仅使用 599 张训练图像即可实现 95.5% 的 Dice 分数来解决这一关键挑战，其中仅 4% 的像素代表乳腺组织，60% 的图像不包含乳腺区域。我们的框架通过多尺度 Gabor 滤波器实现量子灵感边缘增强，创建第四个输入通道，以增强边界检测（其中跨注释者变异可达 +/- 3 像素）。我们提出了一种稳定的多组件损失函数，将自适应 Dice 损失与边界感知术语集成，自动调整正负权重，以有效应对严重的类别不平衡问题（其中乳腺上皮细胞区域仅占总图像面积的 0.1%-20%）。此外，引入一种基于复杂度的加权抽样策略，以优先处理具有挑战性的乳腺上皮细胞区域。该模型采用 EfficientNet-B7/UNet++ 架构，实现 4:3 通道投影，使我们能够使用预训练权重，尽管数据有限。通过指数移动平均和统计异常检测实现稳健的验证，确保在小型验证集（129 图像）上获得可靠的性能估计。我们的框架实现了 Dice 分数为 95.5% +/- 0.3%，IoU 为 91.2% +/- 0.4%。值得注意的是，量子增强为边界精度带来了 2.1% 的改进，加权抽样将小病灶检测提高 3.8%。通过在有限标注下实现突破性性能，我们的ethods 显著减少了医学专家用于数据集创建所需的时间，解决了临床感知 AI 开发中的根本性瓶颈。