GAInS：梯度异常感知的生物医学实例分割

实例分割在组织和细胞等生物医学实体的形态学量化中发挥着至关重要的作用，能够实现不同结构的精确识别与描绘。当前方法通常通过个体建模来解决接触、重叠或交叉实例的挑战，却忽略了这些情况之间的内在相互联系。在本工作中，我们提出了一种梯度异常感知的生物医学实例分割方法 (Gradient Anomaly-aware Biomedical Instance Segmentation, GAInS)，该方法利用实例梯度信息来感知局部梯度异常区域，从而建模实例间的空间关系并细化局部区域分割。具体而言，GAInS 首先建立在梯度异常映射模块 (Gradient Anomaly Mapping Module, GAMM) 之上，该模块通过滑动窗口编码实例的径向场以获取实例梯度异常图。为了利用梯度异常注意力高效细化边界和区域，我们提出了一种带有梯度异常感知损失函数的自适应局部细化模块 (Adaptive Local Refinement Module, ALRM)。在三种生物医学场景下的广泛对比与消融实验表明，我们提出的 GAInS 优于其他最先进的 (SOTA) 实例分割方法。代码可在 https://github.com/DeepGAInS/GAInS 获取。