无需手动标注 | 新型通用细胞核分割框架UN-SAM革新数字病理学图像分析

在数字病理学中，精确的细胞核分割至关重要，但这一过程受到组织类型、染色协议和成像条件的多样性挑战。最近，分割任何物体模型（SAM）在自然环境场景中展现了卓越的性能，并且对医学成像的适应能力令人印象深刻。尽管有这些优势，但依赖劳动密集型的手动标注作为分割提示严重阻碍了它们在临床上的应用，特别是对于包含大量细胞核的图像分析，密集的手动提示在实际中并不可行。为了克服当前SAM方法的局限性同时保留其优势，作者提出了一个无需提示的通用细胞核分割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。具体来说，为了消除对每个细胞核进行手动标注以生成提示的劳动密集型需求，作者设计了一个多尺度的自我提示生成（SPGen）模块，通过自动生成高质量的 Mask 提示来指导分割任务，从而彻底改变临 ………………………………