DeNuC: 解耦核团检测与分类于组织病理图像
计算机视觉与模式识别
2026-03-05 v1
摘要
组织病理基石模型 (FMs) 在广泛的组织病理图像表示和诊断任务上表现出色。然而，FMs 在核团检测与分类 (NDC) 任务上并未显示出对比传统专业模型的预期优势。在本工作中，我们指出，联合优化核团检测与分类会导致 FMs 出现严重的表示退化。此外，我们识别出核团检测与核团分类之间任务难度的显著内在差异，使得联合 NDC 优化在检测阶段不必要地增加计算负担。为此，我们提出了 DeNuC，一种旨在突破现有瓶颈的简单而有效的方法，通过解耦核团检测与分类来实现。DeNuC 采用轻量级模型进行精确的核团定位，随后利用组织病理 FM 对输入图像进行编码，并基于检测到的坐标查询核团特定特征进行分类。在三个广泛使用的基准上的大量实验表明，DeNuC 有效地释放了 FMs 在 NDC 任务中的表示潜力，并显著优于现有方法。值得注意的是，DeNuC 在 BRCAM2C 和 PUMA 数据集上分别将 F1 分数提高了 4.2% 和 3.6%（或更多），而且仅使用了其他方法的 16%（或更少）的可训练参数。代码可在 https://github.com/ZijiangY1116/DeNuC 获取。
引用
@article{arxiv.2603.04240,
title = {DeNuC: Decoupling Nuclei Detection and Classification in Histopathology},
author = {Zijiang Yang and Chen Kuang and Dongmei Fu},
journal= {arXiv preprint arXiv:2603.04240},
year = {2026}
}
备注
10 pages