CellPrior-Net：用于H&E全切片图像的先验引导的细胞核检测与分类
多媒体
2026-07-01 v1
摘要
在苏木精和伊红（H&E）全切片图像（WSI）中准确的细胞核检测和分类是计算病理学中的一项关键任务，特别是对于肿瘤微环境的定量分析。然而，由于细胞核形态、染色程序、扫描仪、器官、放大倍数和WSI伪影的差异，这项任务仍然极具挑战性。此外，许多现有的流程依赖于计算密集型的架构和后处理程序，使得十亿像素级的WSI分析耗时。在这项工作中，我们提出了CellPriorNet（CP Net），一个高效的细胞核检测和分类流程，它利用轻量级卷积神经网络架构和苏木精（H）通道作为先验信息来增强细胞核感知的特征学习。我们在来自不同器官、扫描仪、放大倍数和临床中心的8个公共和私有数据集（总计：1040万个细胞核）上，与最先进的流程进行了广泛的基准测试。实验结果表明，CP Net在显著减少推理时间的同时实现了可比的性能。此外，我们引入了CellQuant Net，一个端到端的细胞核定量流程，它集成了一个质量评估（QA）模型以排除带有伪影的区域，随后进行CP-Net细胞检测和分类。该流程已在GitHub上公开，并为下游计算病理学应用提供了一个潜在的高效且可扩展的框架。
引用
@article{arxiv.2607.00802,
title = {CellPrior-Net: Prior-Guided Nuclei Detection and Classification for H&E Whole-Slide Images},
author = {Falah Jabar and Pasquale Lombardi and Aria Torkpour and Masoud Tafavvoghi and Per Niklas Benzler Waaler and Sigve Andersen and Erna-Elise Paulsen and Mette Pøhl and Lill-Tove Rasmussen Busund and Tom Donnem and Elin Richardsen and David J. Pinato and Mehrdad Rakaee},
journal= {arXiv preprint arXiv:2607.00802},
year = {2026}
}
备注
Submitted to Intelligence-Based Medicine Journal