UniCell：通过提示学习实现的通用细胞核分类
内容提要
该文综述了数字病理学中细胞核分割与分类的深度学习方法，包括DTALE、分组变换器、多阶段实例分割、自监督预训练、提示框架、NuClick标注工具及NuCLS数据库，旨在提升乳腺癌等疾病诊断的准确性与模型透明度。
延伸解读
从标注到分割：DTALE 如何提升模型透明度
文章提到 DTALE 方法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。这表明，在数字病理学中，标注质量与模型可解释性密切相关。通过弱算法改善注释，再用于训练分割算法，可能形成良性循环，但文章未提供具体性能数据，读者需关注其实际应用效果。
自监督预训练：利用细胞核形态与分布的先验
文章介绍了一种基于细胞核感知的自监督预训练框架，通过组织病理图像与伪掩膜图像之间的无配对图像转换来捕获细胞核形态和分布信息，并采用条件和随机样式表示来调节生成过程。实验表明，该方法在 Kather 分类、多实例学习和 5 个密集预测任务上优于有监督方法，并在 8 个半监督任务上优于其他自监督方法。这提示自监督学习能有效利用未标注数据，但需注意其在不同任务上的泛化能力。
提示学习与 NuClick：交互式标注的进展
文章提到一种基于提示的框架，包括点提示器和段装置模型，用于自动核实例分割，并在三个基准测试上取得最新性能。同时，NuClick 作为一种基于 CNN 的方法，能快速收集核、细胞和腺体等对象的注释，对用户输入变化具有鲁棒性，其标注产生的模型在 LYON19 挑战中获得第一名。这些工具降低了标注成本，但文章未讨论其在不同病理图像上的泛化性。
多数据集训练与类别层次：提升泛化性的策略
文章指出，针对具有相关但不相同类别集的多个数据集进行实例分割和分类训练时，利用粗到细的类别层次结构并在数据集中使用互斥类别，可以改善分类性能和推广性能。该方法适用于各种损失函数、网络架构和应用领域。这为处理数据异质性提供了思路，但文章未给出具体定量结果，读者需结合自身数据评估。
Q&A
UniCell 是什么？它主要解决什么问题？
UniCell 是一种通过提示学习实现的通用细胞核分类方法，旨在提升数字病理学中细胞核分类的准确性和模型透明度。
DTALE 方法在细胞核分类中有什么作用？
DTALE 旨在通过核分割和形态学特征来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标注。
基于分组变换器的分类器在细胞核分类中有什么优势？
基于分组变换器的分类器是一种新型端到端核分类和检测框架，具有显著的性能优势。
NuClick 是什么？它有什么特点？
NuClick 是一种基于 CNN 的方法，可以快速收集核、细胞、腺体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。它对不同目标尺度和用户输入变化具有鲁棒性，能提供可靠标注，其产生的实例分割模型在 LYON19 挑战中获得第一名。
NuCLS 数据库在乳腺癌细胞核分析中是如何应用的？
使用 NuCLS 数据库创建了多评估者模型来自动化分析乳腺癌中的细胞核，该模型采用 MIScnn 框架中的 U-Net 方法，并进行了预处理和数据探索。使用多种评估指标测试最终模型，并与 NuCLS 研究结果进行比较和解释，给出了今后细胞核模型发展的重要指示。
自监督预训练框架如何提升细胞核分割和分类性能？
一种新颖的基于细胞核感知的自监督预训练框架通过组织病理图像与伪掩膜图像之间的无配对图像转换来捕获细胞核形态和分布信息，并采用条件和随机样式表示来调节生成过程，以实现预训练图像的真实性和多样性；同时，采用实例分割引导策略来捕获实例级信息。实验结果表明，该预训练方法在 Kather 分类、多实例学习和 5 个密集预测任务上优于有监督方法，并且在 8 个半监督任务上比其他自监督方法取得了更好的结果。
