SiliCoN：面向组织学图像的 nuclei 同时分割与颜色归一化

从组织学图像中分割 nuclei 区域是自动计算机辅助组织学图像分析的重要任务，尤其是在染色组织图像颜色外观出现不可接受变异的情形下。虽然颜色归一化有助于 nuclei 的分割，但 accurate 的 nuclei 结构分割反而使颜色归一化变得相对 trivial。本文提出了一种新型深度生成模型，用于同时分割 nuclei 结构并归一化染色组织学图像的颜色外观。该模型恰当地集成了截断正态分布和空间注意力的优势。该模型假设，对应于特定组织学图像的潜在颜色外观信息，与各自的 nuclei 分割图以及嵌入图信息独立。通过解耦表示，使该模型具有良好的可扩展性和适应性，因为颜色外观信息的修改或损失无法影响 nuclei 分割图以及嵌入信息。此外，为了处理与相关组织化学试剂的染色重叠，潜在颜色外观代码的先验被假设为截断正态分布的混合。该模型采用空间注意力概念来分割组织学图像中的 nuclei 区域。该方法的性能以及与相关最新算法的比较分析，已在公开可用的标准组织学图像数据集上展示。