Cyto R-CNN 和 CytoNuke 数据集：朝着亮场组织学图像的可靠整个细胞分割
内容提要
该文综述了细胞核分割与分类的深度学习方法，包括DTALE、NuClick、CellViT、Mask-RCNN及弱监督分割框架，应用于乳腺癌等病理图像分析，旨在提升标注效率、分割精度与模型透明度，推动数字病理学临床应用。
延伸解读
标注效率与弱监督方法
文章介绍了DTALE和NuClick等弱监督标注方法，旨在减少病理学家标注细胞核的工作量。DTALE通过弱算法改善注释，提升核分类模型的透明度；NuClick则利用引导信号快速收集注释，对用户输入变化鲁棒，并在LYON19挑战中验证了其标注可靠性。这些方法共同指向降低标注成本、提高数据质量的路径。
分割与分类的技术演进
从Mask-RCNN到CellViT，细胞核分割与分类技术不断演进。CellViT基于Vision Transformer，在PanNuke数据集上实现了0.51的平均全景质量和0.83的F1检测分数，展示了大规模预训练模型的优势。多阶段方法通过独立加权损失函数，在19种组织类型上提升了实例分割和分类性能，且复杂度较低。
临床应用的挑战与方向
文章指出深度学习在数字病理学临床应用中仍面临挑战，包括标注数据需求大、模型透明度不足等。弱监督分割框架利用部分点注释，减少了对大量标注数据的依赖。未来研究需关注模型可解释性、泛化能力以及与实际工作流程的整合，以推动临床落地。
Q&A
DTALE 方法在细胞核标注中有什么作用？
DTALE 旨在通过核分割和形态学特征提高核分类模型的透明度，并吸引医学生和病理学家参与乳腺癌细胞核数据集的标注，建议的注释可通过弱算法改善，用于训练分割算法。
NuClick 如何帮助病理图像标注？
NuClick 是一种基于 CNN 的方法，可以快速收集核、细胞、腺体细胞等计算机病理学对象的注释，并提出新的引导信号来分割腺体边界。实验证明它能适应不同目标尺度，对用户输入变化鲁棒，提供可靠标注，其标准产生的实例分割模型在 LYON19 挑战中获得第一名。
CellViT 在细胞核分割上的性能如何？
CellViT 是一种基于 Vision Transformer 的新方法，利用大规模预训练模型，在 PanNuke 数据集上实现细胞核自动检测和实例分割的最新性能，获得了 0.51 的平均全景质量和 0.83 的 F1 检测分数。
Mask-RCNN 在细胞核分割中是如何应用的？
Mask-RCNN 算法被用于对多种环境下细胞核的显微图像进行高效自动分割。
弱监督分割框架如何减少标注需求？
该框架基于部分点注释，包括两个阶段的半监督策略和深度神经网络的使用，使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。
深度学习在数字病理学中面临哪些挑战？
本研究旨在探讨如何利用深度学习算法对组织切片图像的细胞核进行分割和分类，并针对目前深度学习算法在实际医疗应用方面面临的挑战提出建议和研究方向。
