Instance-Aware Robust Consistency Regularization for Semi-Supervised Nuclei Instance Segmentation
计算机视觉与模式识别
2025-10-13 v1
摘要
病理图像中的细胞核实例分割对下游任务（如肿瘤微环境分析）至关重要。然而，标注数据的高昂成本与稀缺性限制了全监督方法的适用性，而现有的半监督方法未能在实例层面充分正则化一致性，未能利用病理结构的内在先验知识，且在训练过程中容易引入噪声伪标签。本文提出了一种 Instance-Aware Robust Consistency Regularization Network（IRCR-Net），用于精确的细胞核实例分割。具体而言，我们引入了匹配驱动的实例感知一致性（MIAC）和先验驱动的实例感知一致性（PIAC）机制，以精炼教师网络与学生子网络的细胞核实例分割结果，特别是针对密集分布和重叠的细胞核。我们融合了病理图像中细胞核的形态学先验知识，并利用这些先验来评估来自无标签数据所生成伪标签的质量。低质量伪标签被丢弃，而高质量预测得到增强，从而减少伪标签噪声并助力网络的鲁棒训练。实验结果表明，所提方法在多个公开数据集上显著提升了半监督细胞核实例分割的性能，在某些场景下甚至超越了全监督方法。
引用
@article{arxiv.2510.09329,
title = {Instance-Aware Robust Consistency Regularization for Semi-Supervised Nuclei Instance Segmentation},
author = {Zenan Lin and Wei Li and Jintao Chen and Zihao Wu and Wenxiong Kang and Changxin Gao and Liansheng Wang and Jin-Gang Yu},
journal= {arXiv preprint arXiv:2510.09329},
year = {2025}
}