TransNet–SAM2：一种用于显微血涂片图像中白细胞无提示分割的 Transformer–基座模型框架

背景：外周血涂片图像中白细胞（WBCs）的精准分割是计算血液学中的关键步骤，能够赋能分类、形态学评估以及定量分析等下游任务。然而，由于染色差异、复杂的细胞形态、重叠结构以及高质量标注的可用性有限，可靠的分割仍具挑战性。目的与方法：本研究旨在开发一种用于显微血涂片图像中白细胞（WBCs）的稳健且全自动的分割框架，为后续的计算分析提供可靠基础。我们提出了 TransNet–SAM2，这是一种混合深度学习架构，将基于层次化 transformer 的特征提取与基于基座模型的解码器相结合，用于无提示分割。具体而言，采用 Swin Transformer 主干网络捕获多尺度上下文表征，随后通过特征自适应模块进行对齐和融合。融合后的特征被直接注入 SAM2 掩码解码器中，取代传统的基于提示的调节方式，从而实现全自动分割。此外，还引入了弱监督自训练策略以利用部分标注的数据，在减少标注需求的同时提高模型的泛化能力。所提出的框架使用来自 Dicle University 的临床精选数据集、公开可用的 Raabin-WBC 数据集以及一个额外的外部白血病原始细胞验证数据集（ALL-IDB）进行评估，以评估在常规和非典型血液学条件下的稳健性。结果：TransNet-SAM2 在内部测试中达到了 0.95 ± 0.01 的 Dice 系数和 0.90 的 IoU，显著优于 U-Net（0.89）、Mask R-CNN（0.90）和 SAM2（0.92）（p < 0.05）。在跨数据集评估中（Dicle 训练，Raabin-WBC 测试），该框架保持了强大的性能（Dice：0.91，IoU：0.84），证明了其对领域偏移的稳健性。消融实验证实了各组件的贡献，完整模型相比 CNN 基线将 Dice 提高了 6%。定性分析表明，即使存在细胞重叠和背景杂乱的情况，也能实现精确的边界勾勒。结论：这些发现表明，所提出的框架为 WBC 分割提供了一个极具前景且可扩展的框架。虽然当前研究侧重于分割，但未来的工作将探索与分类及放射组学流程的整合，以及在更多样化的临床数据集（包括骨髓和白血病样本）上的验证。