基于伪标签校正与不确定性去噪的弱监督细胞核分割方法研究

本研究针对病理图像中细胞核精确标注耗时耗力的问题，提出了一种基于点标注的两阶段弱监督分割框架。通过自适应聚类伪标签（EMAC校正策略）和Voronoi图生成初始监督信号，结合多尺度特征融合（MFF）模块与不确定性去噪技术，在MoNuSeg和TNBC数据集上实现了优于现有方法的细胞核分割性能，为病理诊断提供了高效自动化解决方案。

　　

在数字病理学领域，细胞核分割(Nuclei segmentation)是癌症诊断和预后评估的基础环节。传统全监督深度学习虽性能优异，但依赖大量像素级标注——这对病理专家而言意味着数以千计的细胞核需逐个勾勒，耗时且易出错。现有弱监督方法如基于点标注(point annotations)的Voronoi图生成虽减轻标注负担，却面临伪标签噪声大、边界模糊等挑战，尤其在细胞重叠或染色差异大的区域。

针对这一瓶颈，广西自然基金等项目支持的研究团队在《Artificial Intelligence in Medicine》发表创新成果。该研究设计了两阶段框架：粗分割阶段通过图像自适应聚类生成伪标签，引入指数移动平均校正(EMAC)策略动态优化错误像素；精分割阶段采用不确定性估计去噪技术，结合多尺度特征融合(MFF)模块提升特征表达能力。关键技术包括基于点标注的Voronoi图生成、K-means聚类伪标签优化、蒙特卡洛Dropout不确定性估计等，实验采用MoNuSeg和TNBC公开数据集（含HE染色40×倍镜图像）。

方法学创新
粗分割阶段提出图像自适应聚类算法，根据染色分布动态调整聚类中心，解决不同切片间的颜色差异问题。解码器设计的MFF模块通过空间-通道注意力机制聚合多尺度特征，有效捕捉细胞核形态多样性。EMAC策略通过历史预测加权平均，显著降低错误聚类标签的干扰。

性能验证
在MoNuSeg数据集（含7种器官21,623个细胞核）上，该方法Dice系数达0.823，比传统弱监督方法提升12.6%。TNBC数据集测试显示，对密集排列的乳腺癌细胞核，过分割率降低34%。消融实验证实EMAC策略使伪标签准确率提高19.2%，不确定性去噪使边界F1-score提升8.7%。

结论与展望
该研究首次将伪标签校正与不确定性去噪协同应用于弱监督细胞核分割，突破了点标注的精度限制。自适应聚类和MFF模块的设计显著提升了模型对染色变异和形态复杂细胞核的鲁棒性。未来可探索结合细胞亚型先验知识进一步优化伪标签生成，推动病理AI向少标注、高精度方向发展。