ImPartial：使用部分注释实现多通道全细胞分割

病理学图像中的准确细胞分割通常需要密集的像素级注释，这些注释在获取和耗时方面成本较高。这一挑战在新兴的生物学成像模态和变异通道配置的多plex数据集中尤为突出，在这些数据集中专家标注数据稀缺。本文介绍ImPartial，一种深度学习框架，旨在在稀疏草图和有限监督下实现最先进的分割性能。ImPartial通过自监督多通道量化插值来增强分割目标。该方法利用了以下观察：对图像进行完美的像素级重构或去噪并非为了实现准确的分割而必需，因此引入一种更符合总体分割目标的自监督分类目标。我们展示了ImPartial在稀疏注释下达到与完全监督模型相当的性能。广泛的在基准多plex细胞成像和单plex临床亮度免疫组织化学数据集上的实验显示，在仅使用部分注释的情况下，ImPartial consistently优于强基准。所有基准数据集和代码均通过我们的GitHub：https://github.com/nadeemlab/ImPartial提供。