論文解讀

在神經病理學領域，小纖維神經病變（Small Fiber Neuropathy, SFN）是一種令人痛苦的疾病，其特征是皮膚外周神經纖維的減少和退化，常見于20-50%的糖尿�。―M）、HIV/AIDS和化療患者。診斷SFN的金標準之一是表皮內神經纖維密度（Intraepidermal Nerve Fiber Density, IENFd）檢測，而免疫熒光顯微鏡技術因其高分辨率（1-5 μm）成為揭示神經纖維結構的首選方法。然而，現有表皮分割主要依賴人工閾值處理，效率低且主觀性強，亟需自動化解決方案。

為此，臺灣大學醫院的研究團隊在《Biomedical Signal Processing and Control》發表論文，提出了一種創新的多尺度卷積塊U-Net（McBU-Net）模型。該研究通過分區處理超高分辨率圖像，結合多尺度特征學習和密集跳躍連接，顯著提升了分割精度。

關鍵技術方法

1. 圖像分區：將原始圖像分割為可處理的子圖以保留細節；
2. 多尺度卷積塊：采用雙卷積管道（3×3和5×5核）提取不同尺度特征；
3. U型架構：五層編碼器-解碼器結構，通過跳躍連接增強特征傳遞；
4. 交叉驗證：基于內部皮膚活檢數據集（PGP 9.5/NKCC1標記）進行五折驗證。

研究結果

1. 模型架構優勢
McBU-Net通過多尺度卷積塊捕獲表皮邊界的細微差異，實驗顯示其Dice分數（92.80%）超越7種對比模型（如傳統U-Net和FCN），尤其擅長處理光照不均的復雜結構。

2. 圖像分區策略
分區處理使模型能適應超高分辨率（單圖約20000×20000像素），重建后邊界連續性優于直接下采樣方法。

3. 消融實驗
移除多尺度塊或跳躍連接會導致Dice下降3-5%，證實其關鍵作用。

討論與意義
該研究首次將U-Net變體應用于免疫熒光表皮分割，解決了傳統方法在組織異質性（如汗腺干擾）下的局限性。臨床層面，自動化IENFd分析可加速SFN診斷，尤其適用于糖尿病相關神經病變的早期篩查。未來方向包括擴展至其他標記物（如Na⁺-K⁺-Cl^-共轉運體1）和多中心驗證。

結論
McBU-Net為SFN研究提供了可靠的計算機輔助工具，其創新設計（多尺度塊、分區策略）為其他超高分辨率醫學圖像分割樹立了新范式。研究獲臺灣科技部（NSTC 112-2221-E-002-049-MY3）資助，代碼與數據集將開源以促進領域發展。