组织病理学图像的组织感知核检测与分类模型
计算机视觉与模式识别
2025-11-18 v1
摘要
准确的核检测与分类是计算病理学的基本任务，但现有方法受限于依赖详细的专家标注和未充分利用组织上下文。我们提出了组织感知核检测 (TAND) 框架，通过点级监督实现联合核检测与分类，并利用组织掩码条件增强。TAND 将基于 ConvNeXt 的编码器-解码器与冻结的 Virchow-2 组织分割分支耦合在一起，其中语义组织概率通过新颖的多尺度空间特征线性调制 (Spatial-FiLM) 选择性地调制分类流。 在 PUMA 基准测试上，TAND 实现了最先进的性能，超越了组织无关的基线方法和掩码监督方法。值得注意的是，我们的方法在组织相关细胞类型（如上皮、内皮和成纤维细胞）上显示出显著的改进。迄今为止，这是首个对每细胞分类基于学习组织掩码进行条件化的方法，为减少标注负担提供了一条实用路径。
引用
@article{arxiv.2511.13615,
title = {Tissue Aware Nuclei Detection and Classification Model for Histopathology Images},
author = {Kesi Xu and Eleni Chiou and Ali Varamesh and Laura Acqualagna and Nasir Rajpoot},
journal= {arXiv preprint arXiv:2511.13615},
year = {2025}
}
备注
5 pages, 3 figures. Under review