编辑推荐：
在病理诊断中，细胞核分割量化至关重要。为解决手动分割繁琐、全自动无监督学习精度低等问题，研究人员提出基于部分点注释的弱监督细胞核分割方法。实验表明该方法在 MoNuSeg 和 TNBC 数据集表现优异，为病理研究和临床分析提供高效准确依据。
在医学病理诊断的领域里，细胞核分割量化就像是打开疾病奥秘大门的一把关键钥匙。通过精准地将细胞核从病理图像中分割出来，医生和科研人员就能深入了解细胞的内部结构和生理状态，进而判断疾病的发展阶段和严重程度。然而，传统的手动细胞核分割方式，就如同在密密麻麻的针毡里找针，不仅繁琐耗时，还容易因为人工操作的差异导致结果不准确。
随着科技的进步，全自动无监督学习方法出现了，它虽然减少了人工标注的工作量，可由于缺乏专业病理学家的指导，在面对复杂多样的病理图像时，就像没头的苍蝇，分割结果差强人意，适应性也大打折扣。半监督和弱监督学习方法试图解决这些问题，利用部分标注数据来训练模型，其中点注释作为一种主流方式，逐渐受到关注。但现有的弱监督细胞核分割研究还存在诸多不足，比如直接使用伪掩码训练模型会引入大量噪声，影响分割精度。
在这样的背景下，来自国内的研究人员（受福建省科学技术厅 [2022J01189, 2023J011252] 资助）开展了一项关于弱监督细胞核分割的研究。他们提出了一种高效的临床细胞核分割方法，旨在减少人工标注工作量的同时，提高分割精度。
研究人员主要采用了两种关键技术方法：一是构建了基于细胞核部分点注释质心的局部 - 全局伪掩码融合生成模型，这种方法通过对细胞核区域质心部分点的注释，简化了繁琐的全区域注释过程；二是基于 SAC 模型改进，提出了约束 - 注意力增强网络，其中的特征增强模块（FEM）有效减少了特征冗余，进一步优化了分割效果。研究人员使用公共数据集 MoNuSeg 和 TNBC 进行实验，评估该方法的性能。
实验结果
- 数据集评估：研究人员使用了 Multi - Organ Nuclei Segmentation（MoNuSeg）数据集和 Triple Negative Breast Cancer（TNBC）数据集。这两个数据集涵盖了不同类型的病理图像，为全面评估模型性能提供了丰富的数据支持。
- 模型性能评估：在仅使用 1/16 点注释的情况下，该方法在 MoNuSeg 数据集上平均 Dice 指数达到 0.739，在 TNBC 数据集上达到 0.701。这一结果表明，即使在较弱的注释条件下，该方法也能取得相对优异的成绩，超过了一些前沿方法。
研究结论与讨论
本研究提出的基于部分点注释的弱监督细胞核分割方法，成功解决了手动标注繁琐和现有弱监督方法精度不足的问题。在仅使用少量注释信息的情况下，实现了较高的分割精度，为病理研究和临床分析提供了更高效、准确的量化依据。该研究成果发表在《Biomedical Signal Processing and Control》上，对于推动病理诊断技术的发展具有重要意义。它为未来的医学研究提供了新的思路和方法，有望进一步提高疾病诊断的准确性和效率，助力医学领域更好地攻克各种疑难病症。同时，这种基于弱监督学习的方法，也为其他需要大量标注数据的医学图像处理任务提供了可借鉴的经验，有助于在减少人力和时间成本的同时，提升医学图像分析的质量和可靠性。
