一击即刻：无训练的单元格类型分组交互细胞实例分割

针对单元格类型训练的细胞实例分割模型，在超出分布的单元格类型上会出现严重的性能下降，而通过每个实例的提示实现的交互式基础模型则克服了这一问题，但代价对于包含数百至数千个密集排列实例的组织病理图像而言是不可接受的。我们引入了“分组提示”（Group Prompting）新范式，将交互式分割从每个实例的 $O(N)$ 降低到每个类型的 $O(T)$，即仅需对每种单元格类型一次点击即可分割该类型的所有实例。我们的关键观察是，Segment Anything Model（SAM）的冻结图像编码器在给出任何提示之前已对相同类型的单元格进行了聚类。利用这一特性，我们提出了链式提示（Chain-of-Prompts, CoP），一个无训练框架，通过（1）对多尺度编码特征进行非参数性门控以识别可靠的相同类型位置，和（2）选择最远的可靠点作为下一个提示，以最大化覆盖范围。我们在三个标注了单元格类型的基准数据集上测试，CoP仅需每种类型一次点击，即可保留超过90%的逐实例性能，并优于无需额外训练的全监督方法。在四个形态学均匀的基准数据集上，仅需一次点击即可保留超过99%的性能。项目页面：https://shjo-april.github.io/Chain-of-Prompts/