MIDOG 2025 挑战中基于教师-学生模型的细胞分裂检测与分类

计数细胞分裂图谱对病理科医生来说耗时且导致观察者间的变异性。人工智能 (AI) 通过自动检测细胞分裂图谱而承诺能够提供解决方案，同时保持决策一致性。然而，AI 工具容易受到 domain shift 的影响，即由于训练集和测试集之间的差异，包括器官、物种和染色方案差异，可能导致性能显著下降。此外，细胞分裂的数量远小于正常细胞核的数量，这引入了严重的不平衡数据用于检测任务。在本工作中，我们将细胞分裂检测建模为像素级分割，提出一种教师-学生模型同时解决细胞分裂检测 (Track 1) 和异常细胞分裂分类 (Track 2)。该方法基于 UNet 分割主干网络集成 domain generalization 模块，即对比表示学习和 domain-对抗训练。采用教师-学生策略生成像素级伪掩码，不仅用于已标注的细胞分裂和硬负样本，也用于正常细胞核，从而增强特征判别力并提高对 domain shift 的鲁棒性。对于分类任务，我们引入多尺度 CNN 分类器，利用分割模型中的特征图在多任务学习范式中。 在初步测试集上，该算法在 Track 1 中实现了 0.7660 的 F1 分数，在 Track 2 中实现了 0.8414 的平衡准确率，表明将基于分割的检测和分类集成到统一框架用于稳健细胞分裂分析的有效性。