Disco：基于邻接感知协作着色的稠密重叠细胞实例分割

准确的细胞实例分割是数字病理分析的基石。现有方法基于轮廓检测和距离映射仍面临着在处理复杂稠密细胞区域时的诸多挑战。基于图着色的方法为此任务提供了新的范式，但其在实际场景中处理稠密重叠和复杂拓扑结构的有效性尚未得到验证。为此，我们发布了一个大规模数据集 GBC-FS 2025，其中包含高度复杂和稠密的亚细胞核排列。我们对四个多样化数据集中细胞邻接图的色谱特性进行了首次系统性分析，并发现了一个重要发现：大多数真实世界的细胞图都是非二分的，呈现出高度常见的奇数长度环路（主要为三角形）。这使得简单的 2-着色理论不足以处理复杂组织，而更高的着色度模型则会导致表征冗余和优化困难。基于对复杂真实场景的这一观察，我们提出了 Disco（Densely-overlapping Cell Instance Segmentation via Adjacency-aware COllaborative Coloring），一个基于邻接感知的框架，遵循“分而治之”原则。它独特地将数据驱动的拓扑标记策略与受约束的深度学习系统相结合，以解决复杂的邻接冲突。首先，“显式标记”策略通过递归分解细胞图并孤立一个“冲突集”将拓扑挑战转化为可学习的分类任务。其次，“隐式消歧”机制通过强制不同实例之间的特征差异来解决冲突区域的歧义，从而使模型能够学习可分离的特征表示。