UniCell：基于提示学习的通用细胞核分类
计算机视觉与模式识别
2024-02-21 v1
摘要
多类细胞核的识别能显著促进组织病理学诊断过程。目前已有大量病理数据集，但其标注不一致。大多数现有方法需要在每个数据集上单独训练以推导相关标签，且缺乏跨数据集的通用知识利用，从而限制了识别质量。在本文中，我们提出了一种通用细胞核分类框架（UniCell），该框架采用一种新颖的提示学习机制，统一预测来自不同数据集领域的病理图像的相应类别。具体而言，我们的框架采用端到端架构进行细胞核检测和分类，并利用灵活的预测头以适应各种数据集。此外，我们开发了一个动态提示模块（DPM），利用多个数据集的特性来增强特征。DPM 首先整合数据集嵌入和语义类别，然后利用整合后的提示来细化图像表示，从而高效地挖掘相关细胞类型和数据源之间的共享知识。实验结果表明，所提出的方法在四个细胞核检测和分类基准上有效达到了最先进（state-of-the-art）的结果。代码和模型可在 https://github.com/lhaof/UniCell 获取。
引用
@article{arxiv.2402.12938,
title = {UniCell: Universal Cell Nucleus Classification via Prompt Learning},
author = {Junjia Huang and Haofeng Li and Xiang Wan and Guanbin Li},
journal= {arXiv preprint arXiv:2402.12938},
year = {2024}
}
备注
AAAI 2024, Code and models are available at https://github.com/lhaof/UniCell