NucEval：面向核实例分割的稳健评估框架
计算机视觉与模式识别
2026-05-06 v1
摘要
在计算病理学中，核实例分割是一项基础任务，涉及众多下游临床应用。随着深度学习的兴起，包括卷积神经网络（CNN）和视觉转换器（ViT）在内的多种方法被提出用于该任务，以及基于机器学习和非机器学习的前处理和后处理技术以进一步提升性能。然而，一个基本方面一直受到较少关注，即评估流程。本研究中，我们识别了核实例分割评估相关的四个关键问题，并提出了相应的解决方案。我们提出的修改措施，即处理模糊区域、得分归一化、重叠实例以及边缘不确定性，集成到一个统一框架中，称为 NucEval，该框架能够对核实例分割实现稳健评估。我们使用 NuInsSeg 数据集对该流程进行评估，该数据集具有独特特征，特别适合本研究；同时还使用了两个额外的外部数据集，并针对三个基于 CNN 和 ViT 的核实例分割模型，展示了这些修改对实例分割指标产生的影响。代码及完整指南和示例可在 https://github.com/masih4/nuc_eval 公开获取。
引用
@article{arxiv.2605.03144,
title = {NucEval: A Robust Evaluation Framework for Nuclear Instance Segmentation},
author = {Amirreza Mahbod and Ramona Woitek and Jeanne Shen},
journal= {arXiv preprint arXiv:2605.03144},
year = {2026}
}
备注
22 pages