NucFuseRank：核仿裂片实例分段的数据融合与性能排名
计算机视觉与模式识别
2026-01-29 v1
摘要
核仿裂片在血清石染色图像中的实例分段在自动化组织学图像分析中发挥着重要作用，广泛应用于下游任务。虽然已提出了多种机器学习和深度学习方法用于核仿裂片实例分段，但该领域的大多数研究侧重于开发新的分割算法，并在有限数量的随意选取的公开数据集上进行基准测试。在本工作中，我们专注于用于该任务的数据集，而非模型开发。基于广泛的文献综述，我们识别出用于核仿裂片实例分段的、经过手动标注的公开H&E染色图像数据集，并将其标准化为统一的输入和标注格式。使用两种最先进的分割模型——一种基于卷积神经网络(CNN)，另一种基于混合CNN和视觉转换器架构——我们系统地评估并对这些数据集进行排名，以其核仿裂片实例分段性能为依据。此外，我们提出了一个统一的测试集（NucFuse-test），用于公平的跨数据集评估，以及一个统一的训练集（NucFuse-train），通过合并来自多个数据集的图像来提高分割性能。通过评估和排名数据集、进行综合分析、生成融合数据集、进行外部验证，并公开我们的实现，我们为在H&E染色组织学图像上训练、测试和评估核仿裂片实例分段模型提供了新的基准。
引用
@article{arxiv.2601.20104,
title = {NucFuseRank: Dataset Fusion and Performance Ranking for Nuclei Instance Segmentation},
author = {Nima Torbati and Anastasia Meshcheryakova and Ramona Woitek and Sepideh Hatamikia and Diana Mechtcheriakova and Amirreza Mahbod},
journal= {arXiv preprint arXiv:2601.20104},
year = {2026}
}
备注
31 pages