BoxCell：利用 SAM 进行框监督细胞分割
计算机视觉与模式识别
2025-11-06 v2
摘要
组织病理学图像中的细胞分割对于多种疾病的诊断与治疗至关重要。数据标注繁琐且需要医学专业知识，使得监督学习难以应用。为此，我们研究了一种弱监督设定，即仅提供边界框监督，并展示了无需微调即可使用 Segment Anything (SAM)（即直接利用预训练模型）的方法。我们提出 BoxCell，一种利用 SAM 在训练与测试时均将边界框解释为提示（prompt）的细胞分割框架。在训练时，将真实边界框输入 SAM 生成（伪）掩码，用于训练一个独立的分割器。在测试时，BoxCell 生成两种分割掩码：（1）由该独立分割器生成；（2）训练好的目标检测器输出边界框，将其作为提示输入 SAM 生成另一掩码。认识到二者互补的优势，我们使用一种带有强度与空间约束的新整数规划公式来调和这两种分割掩码。我们在三个公开细胞分割数据集（即 CoNSep、MoNuSeg 和 TNBC）上实验，发现 BoxCell 显著优于现有的框监督图像分割模型，Dice 系数提升 6-10 个百分点。
引用
@article{arxiv.2311.17960,
title = {BoxCell: Leveraging SAM for Cell Segmentation with Box Supervision},
author = {Aayush Kumar Tyagi and Vaibhav Mishra and Prathosh A. P. and Mausam},
journal= {arXiv preprint arXiv:2311.17960},
year = {2025}
}