DAWN：通过跨任务交互的域自适应弱监督细胞核分割

弱监督分割方法因其在模型训练期间减少对昂贵像素级标注的依赖而受到广泛关注。然而，当前的弱监督细胞核分割方法通常遵循两阶段伪标签生成和网络训练过程。细胞核分割的性能严重依赖于生成的伪标签的质量，从而限制了其有效性。本文介绍了一种新颖的域自适应弱监督细胞核分割框架，利用跨任务交互策略来克服伪标签生成的挑战。具体来说，我们利用弱标注数据训练一个辅助检测任务，该任务辅助分割网络的域自适应。为了提高域自适应的效率，我们设计了一个一致特征约束模块，整合来自源域的先验知识。此外，我们开发了伪标签优化和交互训练方法以提高域迁移能力。为了验证我们提出方法的有效性，我们在六个数据集上进行了广泛的对比和消融实验。结果表明，我们的方法优于现有的弱监督方法。值得注意的是，我们的方法达到了与全监督方法相当甚至更好的性能。我们的代码将在https://github.com/zhangye-zoe/DAWN发布。