提升重叠器官丝体实例分割：伪标签解混与合成学习
计算机视觉与模式识别
2026-01-13 v1 人工智能
摘要
器官丝体是人类组织的精细体内模型，因其能够准确模拟器官功能并评估药物反应，在医学研究中发挥着关键作用。准确的器官丝体实例分割对于量化其动态行为至关重要，但由于高质量标注数据稀缺以及显微镜成像中存在广泛重叠，仍受到严峻限制。半监督学习 (SSL) 可缓解对稀缺标注数据的依赖，但常规 SSL 框架因带有噪声的伪标签而引入偏差，尤其在重叠区域尤为如此。合成辅助 SSL (SA-SSL) 已被提出用于缓解半监督语义分割中训练偏差的问题。我们首次将 SA-SSL 应用于器官丝体实例分割，发现 SA-SSL 在解耦交织的器官丝体方面仍存在困难，常将重叠实例误表示为单个实体。为克服此问题，我们提出伪标签解混 (PLU)，通过识别重叠实例的错误伪标签，然后通过实例分解重新生成器官标签。对于图像合成，我们采用基于轮廓的方法高效合成器官丝体实例，尤其针对重叠情况。对伪标签进行实例级别增强 (IA) 后再进行图像合成，可进一步提升合成数据的效果。在两个器官丝体数据集上进行严格实验表明，我们的方法有效，仅使用 10% 标注数据即可达到与全监督模型相当的性能，并取得最新结果。消融研究验证了 PLU、基于轮廓的合成和增强感知训练各自的贡献。通过在伪标签和合成水平上解决重叠问题，我们的工作推动了可扩展的、标签高效的器官分析方法，为精密医学的高通量应用开辟了新潜力。
引用
@article{arxiv.2601.06642,
title = {Boosting Overlapping Organoid Instance Segmentation Using Pseudo-Label Unmixing and Synthesis-Assisted Learning},
author = {Gui Huang and Kangyuan Zheng and Xuan Cai and Jiaqi Wang and Jianjia Zhang and Kaida Ning and Wenbo Wei and Yujuan Zhu and Jiong Zhang and Mengting Liu},
journal= {arXiv preprint arXiv:2601.06642},
year = {2026}
}