自适应多尺度集成解锁组织病理学图像中的鲁棒细胞注释
计算机视觉与模式识别
2025-11-20 v2
摘要
在常规组织病理学中识别细胞类型和亚型是理解疾病的基础。现有的基于图块的模型能捕捉细胞核细节，但忽略了影响细胞身份的更大范围组织背景。当前的人工注释是粗粒度的，且在不同研究之间不均匀，使得细粒度的亚型级别分类变得困难。在本研究中，我们利用 Xenium 空间转录组学构建了一个标记引导的数据集，该数据集包含来自八个器官和 16 个类别的超过两百万个细胞的单细胞分辨率标签，以解决高质量注释缺乏的问题。利用这一数据资源，我们引入了 NuClass，一个受病理学家工作流程启发的框架，用于细胞级的多尺度集成细胞核形态和微环境背景。它结合了专注于 224x224 像素裁剪块中细胞核形态的 Path local，以及建模周围 1024x1024 像素邻域的 Path global，通过一个可学习的门控模块来平衡局部和全局信息。一个不确定性引导的目标函数引导全局路径优先处理局部路径不确定的区域，并且我们提供了校准的置信度估计和 Grad-CAM 图以实现可解释性。在三个完全独立的队列上进行评估，NuClass 在其表现最佳的类别上实现了高达 96% 的 F1 分数，优于强大的基线模型。我们的结果表明，多尺度、不确定性感知的融合可以弥合切片级病理基础模型与可靠的细胞级表型预测之间的差距。
引用
@article{arxiv.2511.13586,
title = {Adaptive Multi-Scale Integration Unlocks Robust Cell Annotation in Histopathology Images},
author = {Yinuo Xu and Yan Cui and Mingyao Li and Zhi Huang},
journal= {arXiv preprint arXiv:2511.13586},
year = {2025}
}