OCELOT 2023：细胞-组织相互作用细胞检测挑战赛
计算机视觉与模式识别
2025-09-12 v1 人工智能
摘要
病理学家在检查整块切片图像时通常会在不同分辨率下交替查看，从而能够同时评估组织的整体形态结构和细胞的精细细节，以形成全面的诊断。然而，现有的深度学习细胞检测模型难以复制这种行为，并学习不同分辨率下结构之间的相互语义。该领域的关键障碍之一是缺乏包含多尺度细胞和组织标注的数据集。为此发起了 OCELOT 2023 挑战赛，以从社区中收集见解，验证理解细胞-组织（cell-tissue）相互作用对于实现人类水平性能以及加快该领域研究进展具有关键作用。挑战数据集包括来自六个器官的重叠细胞检测和组织分割标注，共计 673 对样本，来源于 306 个 The Cancer Genome Atlas（TCGA）整块切片图像上使用 hematoxylin and eosin 染色的图像，划分为训练、验证和测试子集。参赛者提出的模型显著提升了对细胞-组织关系的理解。顶级选手在测试集上相较于 baseline 细胞单一检测模型（不考虑细胞-组织关系）实现了最高达 7.99 的 F1 分数提升。这是对传统细胞单一检测方法的显著性能提升，表明将多尺度语义纳入模型中至关重要。本文对参赛者所采用的方法进行了比较分析，突出了 OCELOT 2023 挑战赛中所实施的创新策略。
引用
@article{arxiv.2509.09153,
title = {OCELOT 2023: Cell Detection from Cell-Tissue Interaction Challenge},
author = {JaeWoong Shin and Jeongun Ryu and Aaron Valero Puche and Jinhee Lee and Biagio Brattoli and Wonkyung Jung and Soo Ick Cho and Kyunghyun Paeng and Chan-Young Ock and Donggeun Yoo and Zhaoyang Li and Wangkai Li and Huayu Mai and Joshua Millward and Zhen He and Aiden Nibali and Lydia Anette Schoenpflug and Viktor Hendrik Koelzer and Xu Shuoyu and Ji Zheng and Hu Bin and Yu-Wen Lo and Ching-Hui Yang and Sérgio Pereira},
journal= {arXiv preprint arXiv:2509.09153},
year = {2025}
}
备注
This is the accepted manuscript of an article published in Medical Image Analysis (Elsevier). The final version is available at: https://doi.org/10.1016/j.media.2025.103751