IMSAHLO：用于鲁棒神经元脑细胞分割的多尺度注意力与混合损失优化集成框架
计算机视觉与模式识别
2026-01-21 v1
摘要
在荧光显微镜中对神经元细胞进行准确分割是计算神经科学中定量分析的基础任务。然而，密集堆积与稀疏分布细胞共存、复杂的重叠形态以及严重的类别不平衡等挑战严重阻碍了这一任务的进展。在这些条件下，传统的深度学习模型往往无法保留精细的拓扑细节或准确勾勒边界。为了解决这些局限性，我们提出了一种新颖的深度学习框架 IMSAHLO（集成多尺度注意力与混合损失优化），用于鲁棒且自适应的神经元分割。我们模型的核心包含用于在各种感受野下捕获特征的多尺度密集块，有效处理细胞密度的变化，以及一种分层注意力（HA）机制，该机制自适应地聚焦于显著的形态特征以保留感兴趣区域（ROI）的边界细节。此外，我们引入了一种协同结合 Tversky 损失和 Focal 损失的新型混合损失函数以应对类别不平衡，同时引入了拓扑感知的中心线 Dice（clDice）损失和轮廓加权边界损失，以确保拓扑连续性和相邻细胞的精确分离。在公开的荧光神经元细胞（FNC）数据集上进行的大规模实验表明，我们的框架优于 SOTA 架构，在困难的密集和稀疏样本上实现了 81.4% 的精确率、82.7% 的宏 F1 分数、83.3% 的微 F1 分数以及 99.5% 的平衡准确率。消融实验验证了多尺度注意力与混合损失项的协同效益。这项工作为适用于广泛生物医学成像模态的泛化分割模型奠定了基础，推动 AI 辅助分析迈向高通量神经生物学流程。
引用
@article{arxiv.2601.11645,
title = {IMSAHLO: Integrating Multi-Scale Attention and Hybrid Loss Optimization Framework for Robust Neuronal Brain Cell Segmentation},
author = {Ujjwal Jain and Oshin Misra and Roshni Chakraborty and Mahua Bhattacharya},
journal= {arXiv preprint arXiv:2601.11645},
year = {2026}
}