近日，医学信息与工程学院单东晶团队，在模式识别权威期刊《Pattern Recognition》上发表研究论文，提出一种名为MCF-UNet的多层级上下文融合网络，用于免疫组织化学图像中Ki67阳性细胞的自动分割。该方法针对传统U-Net在处理细胞尺度剧烈变化、弱染色边界模糊以及复杂组织背景干扰时的建模不足，设计了三个核心模块。

首先，团队构建了混合CNN-Transformer编码器，其中Multi-scale Morphology Awareness（MSMA）模块采用三个并行深度可分离卷积（核尺寸5×5、7×9、9×9）提取多尺度局部形态特征，随后与Swin Transformer的窗口自注意力机制级联，实现局部纹理细节与全局上下文依赖的联合建模。其次，在跳跃连接处引入Mask-guided Dynamic Feature Fusion（MDFF）模块：将深层语义特征、浅层结构特征与解码器当前特征按通道分组，利用粗分割掩码作为空间注意力先验，自适应学习每组中浅层与深层特征的融合权重，从而抑制背景噪声、增强弱边界响应。最后，在瓶颈层设计Multi-receptive Field Optimization（MRFO）模块，将输入特征沿通道维度四等分后分别采用扩张率1~4的深度可分离空洞卷积，再按通道索引跨尺度重组并经过逐点卷积融合，实现多感受野上下文的高效聚合。

在CC-Ki67（宫颈癌）和BCData（乳腺癌）两个数据集上的实验表明，MCF-UNet的Dice系数分别达到90.34%和76.24%，mIoU达到82.38%和61.60%，显著优于U-Net、TransUNet、Swin-UNet等基线。消融研究验证了MSMA、MDFF、MRFO各自对性能的贡献，且MDFF模块带来的增益最为显著。该网络参数量为45M，在RTX 3090上推理速度为12 FPS，适用于病理图像的离线批处理分析。未来工作将聚焦于知识蒸馏与量化加速，以及向全切片图像（WSI）的端到端扩展。