重访领域偏移下的自适应细胞识别：一种上下文对应视角

细胞核识别是数字病理学工作流中一个基础且关键的步骤。然而，由于组织学图像集群中源器官和染色程序的不同，扫描的切片固有地符合非均匀数据分布，这导致跨队列通用使用的性能下降。尽管最近的努力利用领域自适应来缓解分布差异，但这些方法受限于对每个细胞形态特征的单独建模，忽视了肿瘤微环境中分层的潜在结构和内在的上下文对应关系。在这项工作中，我们识别了跨生物上下文的隐式对应关系对于利用领域不变的病理组成的重要性，并因此提出利用各种生物结构上的依赖性进行领域自适应细胞识别。我们通过无监督上下文建模发现这些高层对应关系，并将其用作桥梁，以促进跨不同器官和染色的自适应。此外，为了进一步利用嵌入在细胞核群落中的丰富空间上下文，我们提出了自适应动态蒸馏，以确保在不同模型组件之间进行实例感知的权衡。所提出的方法在多种数据分布偏移下的广泛跨领域设置中进行了广泛评估，并以显著优势超越了最先进的方法。代码可在 https://github.com/camwew/CellularRecognition_DA_CC 获取。