FrGNet：面向核实例分割的傅里叶引导弱监督框架
计算机视觉与模式识别
2025-02-19 v2 人工智能
摘要
核实例分割在病理图像分析中发挥着关键作用。主要挑战在于准确分割实例以及获取精确掩码级标注以进行全监督训练成本高昂。为此，本文提出一种傅里叶引导框架，以解决弱监督核实例分割问题。该框架中，我们构建傅里叶引导模块将先验信息融入模型训练过程，以促进模型捕获核的相关特征。同时，为进一步提升模型对核特征表示的能力，我们提出基于引导的实例级对比模块。该模块充分利用框架自身的属性和引导信息，有效增强了核的表示特征。我们在两个公开数据集上展示了该模型：在完全监督设置下，可优于当前 SOTA 方法；在弱监督实验中，仅需少量标注即可保持接近全监督水平的性能。此外，我们还对私有数据集进行了泛化实验，无需任何标注，该模型能够有效分割训练期间未见过的核图像。作为开放科学，所有代码和预训练模型均已发布于 https://github.com/LQY404/FrGNet。
引用
@article{arxiv.2502.09874,
title = {FrGNet: A fourier-guided weakly-supervised framework for nuclear instance segmentation},
author = {Peng Ling and Wenxiao Xiong},
journal= {arXiv preprint arXiv:2502.09874},
year = {2025}
}