Pendanaan: Penulis tidak menerima pendanaan khusus untuk pekerjaan ini.

ABSTRAK

Diagnosis tumor yang akurat sangat penting untuk meningkatkan hasil pengobatan. Untuk menggambarkan secara tepat daerah inti sel tumor dalam gambar jaringan yang diwarnai hematoxylin dan eosin (H&E) dan mengurangi overhead komputasi, kami mengusulkan arsitektur encoder-decoder baru bernama Convolution and focused linear attention fusion UNet (CLA-UNet), yang mengintegrasikan konvolusi yang dapat dipisahkan secara mendalam dan perhatian linier yang berfokus pada konvolusi ke dalam jaringan U-Net. Inovasi dari penelitian ini tercermin dalam tiga aspek berikut: pertama, pada koneksi lewati, ia menggunakan blok Global–Local Feature Fusion dan Split-Input Transformer (GLFS Transformer) untuk mengekstrak informasi fitur global, yang kemudian dimasukkan ke lapisan dekoder yang sesuai; kedua, ia menggunakan blok konvolusi yang dapat dipisahkan secara mendalam untuk membangun jaringan tulang punggung, sehingga memperdalam jaringan; akhirnya, ia menambahkan modul perhatian saluran pada dekoder untuk fokus pada informasi saluran yang penting. Hasil eksperimen pada basis data publik MoNuSeg tentang sel tumor menunjukkan bahwa algoritme tersebut mencapai IoU, skor Dice, presisi, dan perolehan kembali masing-masing sebesar 66,18%, 79,57%, 83,23%, dan 76,91%. Dibandingkan dengan metode segmentasi lainnya, algoritme ini menunjukkan kinerja segmentasi yang unggul. Model yang diusulkan dalam penelitian ini secara signifikan mengungguli model perbandingan lainnya dalam hasil segmentasi, sekaligus mempertahankan jumlah parameter dan biaya komputasi yang sangat rendah. Desain model yang ringan memudahkan promosi dan penerapan penelitian ini.