盒子细胞:利用SAM进行细胞细分,使用盒子监督
Aayush Kumar Tyagi1, Vaibhav Mishra2, Prathosh A P3
1Yardi School of Artificial Intelligence, India Institute Of Technology, New Delhi, 110016, India. aiz218615@scai.iitd.ac.in.
Scientific reports
|November 22, 2025
概括
BoxCell使用分段任何模型 (SAM) 进行低监督的细胞细分在组织病理学图像中. 这种新的框架显著提高了仅使用界限框数据的细分精度,优于现有方法.
科学领域:
- 数字病理学数字病理学
- 医学图像分析分析
- 计算生物学是一种计算生物学.
背景情况:
- 在组织病理学图像中精确的细胞细分对于疾病诊断和治疗至关重要.
- 手动注释是耗时的,需要专门的医疗专业知识,阻碍了监督学习.
- 弱监督学习,利用边界框注释,提供了一个可行的替代方案.
研究的目的:
- 开发一种新的细胞细分框架,BoxCell,用于使用弱监督学习的组织病理图像.
- 为了利用预先训练的分段任何模型 (SAM),而无需对细胞细分进行微调.
- 提高医学成像中细胞细分的效率和准确性.
主要方法:
- BoxCell利用SAM解释界限框的能力作为在训练期间生成伪面具的提示.
- 一个独立的细分器使用这些伪面具进行训练.
- 在测试时,BoxCell使用整数编程将训练有素的分段器和SAM (由对象检测器提示) 的面具结合起来.
主要成果:
- 在三个公共数据集 (CoNSep,MoNuSeg,TNBC) 上,BoxCell显著优于现有的盒子监督图像细分模型.
- 该框架实现了相当大的子得分增长,达到6-10分.
- 拟议的整数编程方法有效地调和了互补的细分口罩.
结论:
- BoxCell提供了一种强大而高效的解决方案,用于细胞细分在组织病理学只使用边界盒监督.
- 没有微调的SAM的直接应用证明了其在医学图像分析中的多功能性.
- 这种方法减少了对广泛的手动注释的依赖,使高级细分更容易获得.
