使用自然语言分割病理图像中的任意目标
计算机视觉与模式识别
2025-08-20 v2 人工智能
摘要
病理图像分割在计算病理学中至关重要，用于分析与癌症诊断和预后相关的组织学特征。然而，由于标注数据有限和类别定义受限，当前方法在临床应用中面临重大挑战。为了解决这些局限性，我们提出了PathSegmentor，这是第一个专门为病理图像设计的文本提示分割基础模型。我们还引入了PathSeg，这是用于病理分割的最大且最全面的数据集，由21个公共来源构建而成，包含跨越160个不同类别的275k个图像-掩码-标签三元组。借助PathSegmentor，用户可以使用自然语言提示执行语义分割，无需繁琐的空间输入（如点或框）。大量实验表明，PathSegmentor在具有更高精度和更广泛适用性的同时超越了专门模型，且保持了紧凑的架构。它在总体Dice分数上分别比现有的空间提示和文本提示模型高出0.145和0.429，在分割复杂结构和泛化到外部数据集方面表现出强大的鲁棒性。此外，PathSegmentor的输出通过特征重要性估计和成像生物标志物发现增强了诊断模型的可解释性，为病理学家提供基于证据的临床决策支持。这项工作推进了精准肿瘤学中可解释AI的发展。
引用
@article{arxiv.2506.20988,
title = {Segment Anything in Pathology Images with Natural Language},
author = {Zhixuan Chen and Junlin Hou and Liqi Lin and Yihui Wang and Yequan Bie and Xi Wang and Yanning Zhou and Ronald Cheong Kin Chan and Hao Chen},
journal= {arXiv preprint arXiv:2506.20988},
year = {2025}
}