CellGenNet：面向癌组织细胞分割的知识蒸馏框架
计算机视觉与模式识别
2025-11-20 v1
摘要
显微镜全切片组织学图像 (WSI) 中 nuclei 分割因染色、成像条件及组织形态的多样性仍具挑战性。我们提出 CellGenNet，一个用于在有限监督下实现跨组织稳健细胞分割的知识蒸馏框架。CellGenNet 采用学生-教师架构，容量大的教师模型在稀疏标注上训练并为未标记区域生成软伪标签。学生模型通过融合真实标签、教师派生的概率目标以及结合二元交叉熵和 Tversky loss 的混合损失函数进行优化，后者实现对类别不平衡的非对称惩罚，从而更好地保留少数核结构。一致性正则化和层级 dropout进一步稳定特征表示，促进可靠的特征迁移。跨多种癌组织 WSI 的实验表明，CellGenNet 在分割精度和泛化能力上优于监督和半监督基线，支持可扩展且可复现的组织病理学分析。
关键词
引用
@article{arxiv.2511.15054,
title = {CellGenNet: A Knowledge-Distilled Framework for Robust Cell Segmentation in Cancer Tissues},
author = {Srijan Ray and Bikesh K. Nirala and Jason T. Yustein and Sundaresh Ram},
journal= {arXiv preprint arXiv:2511.15054},
year = {2025}
}
备注
4 pages, 3 figures, Submitted to IEEE SSIAI 2026