Co-Seg：面向组织与细胞核分割的互提示引导协同学习
计算机视觉与模式识别
2025-09-09 v1
摘要
组织病理学图像分析至关重要，但受限于对组织区域与细胞核实例进行分割以分析肿瘤微环境与细胞形态的需求。现有研究分别聚焦于组织语义分割或细胞核实例分割，却忽略了这两个任务之间的内在关联，导致对组织病理学的理解不足。为解决这一问题，我们提出了一个用于组织与细胞核协同分割的 Co-Seg 框架。具体而言，我们引入了一种新颖的协同分割范式，使组织与细胞核分割任务能够相互增强。为此，我们首先设计了一个区域感知提示编码器（RP-Encoder），以提供高质量的语义与实例区域提示作为先验约束。此外，我们设计了一个互提示掩码解码器（MP-Decoder），利用交叉引导来强化两个任务的上下文一致性，协同计算语义与实例分割掩码。在 PUMA 数据集上的大量实验表明，所提出的 Co-Seg 在肿瘤组织与细胞核实例的语义、实例及全景分割上均超越了 SOTA。源代码可在 https://github.com/xq141839/Co-Seg 获取。
引用
@article{arxiv.2509.06740,
title = {Co-Seg: Mutual Prompt-Guided Collaborative Learning for Tissue and Nuclei Segmentation},
author = {Qing Xu and Wenting Duan and Zhen Chen},
journal= {arXiv preprint arXiv:2509.06740},
year = {2025}
}
备注
Accepted to MICCAI 2025