MUSE：面向核检测与分类的多尺度稠密自蒸馏

组织学中核检测与分类(Nucleus detection and classification, NDC)是支撑众多高级病理应用的基础性任务，但现有方法过度依赖耗时的核水平标注，且难以充分利用大规模无标签数据以学习判别性核表征。本文提出MUSE(MUlti-scale denSE self-distillation)，一种为NDC量身定制的新型自监督学习方法。其核心为NuLo(Nucleus-based Local self-distillation)，一种基于坐标引导的机制，使基于预测核位置的灵活局部自蒸馏成为可能。通过消除增强视图之间严格的空间对齐需求，NuLo允许关键跨尺度对齐，从而释放模型在细粒度核级表征方面的潜能。为支撑MUSE，我们设计一种简单而有效的编码器-解码器架构及大范围视野半监督微调策略，以最大化化 unlabeled pathology 图像的价值。在三个广泛使用的基准测试上进行大量实验，表明MUSE有效解决组织学NDC的核心挑战。所得模型不仅超越最先进的监督基线，还优于通用病理基础模型。