BoNuS：基于部分点标注的细胞核分割边界挖掘

细胞核分割是数字病理学工作流程中的基本前提。自动化细胞核分割方法的发展，使得对组织病理学图像中广泛存在且形态测量差异巨大的细胞核进行定量分析成为可能。然而，对数以万计的细胞核进行手动标注既繁琐又耗时，需要大量的人力和领域专业知识。为了缓解这一问题，本文提出了一种仅需部分细胞核点标注的弱监督细胞核分割方法。具体而言，我们提出了一种新颖的细胞核分割边界挖掘框架，名为 BoNuS，该框架同时从点标注中学习细胞核内部和边界信息。为实现这一目标，我们提出了一种新颖的边界挖掘损失函数，通过多示例学习的方式探索成对像素亲和力，引导模型学习边界信息。接着，我们考虑了一个更具挑战性的问题，即部分点标注，为此我们提出了一个结合课程学习的细胞核检测模块，利用先验形态学知识检测缺失的细胞核。所提出的方法在三个公开数据集 MoNuSeg、CPM 和 CoNIC 上进行了验证。实验结果表明，我们的方法性能优于当前最先进的弱监督细胞核分割方法。代码：https://github.com/hust-linyi/bonus。