UN-SAM：面向通用细胞核图像的通用无提示分割

在数字病理学中，精确的细胞核分割至关重要，但面临着组织类型、染色方案和成像条件多样性的挑战。最近，Segment Anything Model (SAM) 在自然场景中展现出卓越性能，并在医学成像中表现出令人印象深刻的适应性。尽管具有这些优势，但其对劳动密集型的 manual annotation 作为分割提示的依赖严重阻碍了其临床应用，特别是对于包含大量细胞且密集手动提示不切实际的细胞核图像分析。为了克服当前 SAM 方法的局限性同时保留其优势，我们提出了用于细胞核分割的通用无提示 SAM 框架（UN-SAM），提供了一种具有卓越泛化能力的全自动解决方案。具体而言，为了消除对每个细胞核标注作为提示的劳动密集型需求，我们设计了一个多尺度自提示生成（SPGen）模块，通过自动生成高质量掩码提示来指导分割任务，从而彻底改变临床工作流程。此外，为了释放 SAM 在各种细胞核图像中的泛化能力，我们设计了一个域自适应调优编码器（DT-Encoder），以无缝协调视觉特征与域共有及域特定知识，并进一步设计了一个域查询增强解码器（DQ-Decoder），利用可学习的域查询在不同细胞核域中进行分割解码。大量实验证明，UN-SAM 以卓越的性能超越了细胞核实例分割和语义分割的最先进方法，特别是在零样本场景中的泛化能力。源代码可在 https://github.com/CUHK-AIM-Group/UN-SAM 获取。