COIN：用于无标注细胞分割的置信度分数引导蒸馏

细胞实例分割（CIS）对于识别组织病理图像中的单个细胞形态至关重要，为生物学和医学研究提供了有价值的见解。虽然无监督 CIS（UCIS）模型旨在减少对耗费人力的图像标注的严重依赖，但它们无法准确捕捉细胞边界，导致漏检和性能不佳。认识到无误实例的缺失是一个关键限制，我们提出了 COIN（置信度分数引导实例蒸馏，COnfidence score-guided INstance distillation），一种新颖的无标注框架，包含三个关键步骤：（1）通过最优传输的无监督语义分割提高对无误实例存在的敏感性，利用其区分空间上微小实例的能力；（2）实例级置信度评分，以测量模型预测与精修掩码之间的一致性，并识别高置信度实例，作为真实标注的替代；（3）通过递归自蒸馏逐步扩展置信度。在六个数据集上的广泛实验表明，COIN 优于现有的 UCIS 方法，甚至在 MoNuSeg 和 TNBC 数据集上的所有指标上超越了半监督和弱监督方法。代码可在 https://github.com/shjo-april/COIN 获取。