面向全切片组织图像的轻量且可扩展的细胞分割与分类模型

开发临床实用的细胞水平分析工具在数字病理学中仍面临数据粒度受限、标注不一致、计算需求高以及将新技术整合到工作流程中的困难等挑战。为此，我们提出了解决方案，通过提升数据质量、模型性能和可用性来创建轻量、可扩展的细胞分割与分类模型。首先，我们通过交叉重新标注来更新数据标签，以细化 PanNuke 和 MoNuSAC 的标注，生成包含七种不同细胞类型的统一数据集。其次，我们利用 H-Optimus 基础模型作为固定编码器来提高同时进行分割和分类任务的特征表示。此外，为解决基础模型的计算需求，我们通过知识蒸馏来降低模型规模和复杂度，同时保持可comparable的性能。最后，我们将蒸馏后的模型集成到 QuPath，这是一个广泛使用的数据病理学平台。结果表明，基于 H-Optimus 的模型在分割和分类性能方面优于基于 CNN 的模型。具体而言，平均 $R^2$ 从 0.575 提升至 0.871，平均 $PQ$ 分数从 0.450 提升至 0.492，表明模型更好地与实际细胞计数保持一致，并提高了分割质量。蒸馏模型在参数数量降低约 48 倍的同时保持可comparable的性能。通过降低计算复杂度并整合到工作流程中，这种方法可能对诊断产生重大影响，减轻病理医师的工作负担，并改善临床结果。尽管该方法显示出前景，但在临床部署之前仍需进行广泛的验证。