毛竹（Phyllostachys edulis）作为一种重要的速生植物，不仅在生态固碳方面扮演关键角色，其优异的力学性能也使其成为备受关注的材料。然而，要深入理解其性能背后的微观结构基础，精确解析其细胞形态是第一步。在显微镜下，毛竹组织主要由维管束和薄壁细胞构成，呈现出复杂的“众生相”：维管束中的纤维细胞排列紧密、细胞壁厚，常常“你我不分”；而导管细胞则“个头”巨大、结构复杂；再加上成像过程中难以避免的局部过曝和背景噪声，使得细胞之间的边界常常模糊不清。这种景象，让传统的图像分割算法频频“失手”，即使是生物医学图像分析中的“明星”模型U-Net，在面对毛竹细胞如此显著的多尺度差异和复杂的粘连结构时，也显得力不从心，难以稳定、准确地“勾勒”出每一个细胞的轮廓。
为了解决毛竹细胞实例分割中的边界模糊、局部过曝和结构尺度差异大这三大核心挑战，Xue Zhou, Ziwei Cheng, Long Chen, Jiawei Pei, Yingyu Liao, Weizhang Liu, Chunyin Wu 和 Changyu Liu 等研究人员在经典U-Net架构的基础上，提出了一种创新的改进模型——MBMSA-UNet（Moso Bamboo Multi-Scale Attention U-Net）。该模型引入了专门设计的多尺度通道-空间注意力模块（MBAM），能够自适应地调整不同尺度特征的权重，增强对边界等关键区域的响应，并有效抑制内部过曝区域的干扰。实验结果表明，相较于U-Net及其多个改进变体，MBMSA-UNet在毛竹细胞显微图像上实现了更高的分割精度和更强的鲁棒性，为复杂植物细胞的自动化精细分割提供了新的解决方案。这项研究已发表在学术期刊《Plants》上。
为开展这项研究，作者主要运用了以下几项关键技术方法：首先，他们利用微CT（micro-CT）扫描技术，从中国浙江省的毛竹样品中非破坏性地获取了高分辨率的连续横截面图像，构建了名为MBVB-PaC（Moso Bamboo Vascular Bundle and Pith Cell）的专用数据集，并进行了精细的标注。其次，在模型构建上，他们基于U-Net的编码器-解码器架构，设计了三分支并行的MBMSA-UNet网络，并在关键位置嵌入了自主研发的MBAM注意力模块，以增强特征表达。最后，在训练过程中，他们采用了包括随机旋转、翻转、亮度与色调扰动在内的数据增强策略，并组合使用二元交叉熵（BCE）损失和Dice损失来优化模型。
2.1. MBVB-PaC 数据集
研究人员通过微CT扫描采集了毛竹茎秆组织的图像，构建了MBVB-PaC数据集。该数据集包含来自毛竹不同节间部位的图像，经过划分和增强后用于模型训练与验证。图像预处理包括了使用Cellpose模型进行预标注，并手动细分为维管束和薄壁细胞两类。
2.2. MBMSA-UNet
2.2.1. 架构
MBMSA-UNet的整体架构受到UNet-ID三重对称设计的启发，包含三个结构相同但参数独立的编码器-解码器分支。这种设计使模型能从多视角、多尺度捕获毛竹细胞结构的细微差异。网络在编码和解码阶段的关键位置插入了MBAM模块，以自适应地重新校准通道特征和增强空间显著性，从而加强对细胞边界特征的响应，并抑制由局部过曝引起的误分割。网络最终输出像素级的概率图，并通过边界引导和连通域分析后处理步骤，获得细胞实例分割结果。
2.2.2. MBAM
为针对性解决边界模糊、过曝和尺度变化问题，研究人员设计了MBAM模块。该模块采用通道重校准后接空间显著性增强的级联结构。通道注意力通过全局平均池化和两层全连接层生成通道权重向量；空间注意力则通过聚合通道信息来生成空间权重图。两者结合，对输入特征进行逐通道和逐像素的加权，使模型聚焦于信息丰富的区域。
3. 结果
实验结果表明，MBMSA-UNet在MBVB-PaC数据集上显著优于标准的U-Net以及RSU-Net、MSECA-U-Net、ECA-Net、E-Res U-Net和SDAU-Net等其他改进模型。具体而言，MBMSA-UNet在各项分割评价指标上均有提升，特别是在处理密集的纤维细胞区域和大型导管细胞时，表现出更清晰的边界识别能力和对过曝区域更好的抑制效果。其通过边界增强实现的实例生成流程，能有效分离粘连细胞，获得完整的个体细胞标注。
4. 讨论
本研究成功开发了MBMSA-UNet模型，专门用于解决毛竹细胞显微图像实例分割的独特挑战。该模型的核心创新在于其多尺度注意力机制（MBAM），它使模型能够自适应地处理不同细胞类型（如小尺度纤维细胞与大尺度导管细胞）之间巨大的形态差异，并强化了弱边界特征。与现有方法相比，MBMSA-UNet的优势在于其兼顾了细节边界刻画和有效的多尺度建模能力。
这项研究的重要意义体现在多个层面：在方法论上，它为复杂植物组织的微观图像分析提供了一种新的、强大的深度学习框架，所提出的注意力模块可以迁移应用于其他具有类似挑战的生物图像分割任务。在应用层面，高精度的细胞实例分割结果是进行竹材细胞形态定量分析、力学性能模拟以及植物生长机制研究的基础，有助于推动竹材科学和植物表型组学向更精细化、定量化的方向发展。例如，基于精确分割的细胞尺寸、形状和排列数据，可以更可靠地建立细胞结构与材料宏观力学性能之间的关联模型。此外，研究所构建的MBVB-PaC数据集也为领域内的算法评估提供了宝贵的资源。总之，MBMSA-UNet不仅提升了对毛竹这一特定物种的微观结构解析能力，其设计思路也为更广泛的生物复杂结构图像分析提供了有益的借鉴。
