面向组织(病理)图像分析的 Cell Instance Segmentation and Classification 方法：CISCA 与 CytoDArk0 及面脑神经元数据集

在显微组织图像中描绘和分类单个细胞是天然具有挑战性的任务，却是医学和神经科学研究不可或缺的关键。本文提出了一种新的深度学习框架 CISCA，用于组织学切片中自动细胞实例分割和分类。CISCA 的核心是一个具有三个解码器头的轻量级 U-Net 网络架构。第一个头将像素分类为细胞邻近边界、细胞体和背景之间的边界；第二个头沿四个方向回归四个距离图。第一个和第二个头的输出通过针对性的后处理步骤集成，从而最终产生单个细胞的分割。第三个头使能够同时将细胞分类为相关类别（如需要）。我们使用四个数据集演示了该方法的有效性，包括 CoNIC、PanNuke 和 MoNuSeg，这些是公开的 H&E 染色数据集，涵盖多种组织类型和放大倍数。此外，我们引入 CytoDArk0，这是第一个关于哺乳动物大脑 Nissl 染色组织学图像的注释数据集，包含近 4 万个注释神经元和胶质细胞，旨在促进数字神经病理学和大脑神经胚质研究的进展。我们对 CISCA 与其他最先进方法进行了评估，展示了其在各种组织类型、放大倍数和染色技术下的分割和分类的通用性、稳健性和准确性。这使 CISCA 适用于数字病理工作流程和大脑神经胚质研究中详细的细胞形态学分析和高效细胞计数。