CISCA与CytoDArk0：组织病理图像细胞实例分割与分类新方法及首个开放Nissl染色脑细胞架构数据集

研究人员针对组织病理图像中细胞实例分割与分类的挑战，开发了轻量级深度学习框架CISCA，通过三头U-Net架构实现细胞边界检测、方向距离图回归和细胞分类。研究同时发布了首个Nissl染色脑组织细胞标注数据集CytoDArk0，包含近4万个神经元和胶质细胞标注。实验表明，CISCA在CoNIC、PanNuke等公开数据集上超越现有方法，其创新性的多任务设计和后处理流程为数字病理学和脑细胞架构研究提供了高效工具。

　　

在医学研究和神经科学领域，精确识别和分类组织切片中的单个细胞是理解疾病机制和大脑功能的关键。然而，现有方法面临细胞重叠、形态多样性和染色差异等挑战，尤其在脑组织研究中缺乏公开的Nissl染色数据集。传统方法依赖手工特征或有限标记数据，而深度学习虽展现出潜力，但在跨组织类型、放大倍数和染色技术的泛化能力上仍有局限。

为解决这些问题，Valentina Vadori团队开发了CISCA框架，其核心是包含三个解码头的轻量级U-Net。第一个头将像素分类为细胞边界(BD)、细胞体(CB)和背景(BG)；第二个头回归四个方向的归一化距离图；第三个头实现细胞类型分类。通过整合语义分割与距离图回归，结合定制化后处理流程，系统实现了高精度细胞分割。研究同时发布了首个开放获取的Nissl染色脑组织数据集CytoDArk0，包含来自5个物种4个脑区的38,755个标注细胞，为比较神经解剖学研究奠定基础。该成果发表于《Computer Vision and Image Understanding》。

关键技术包括：1) 多任务学习框架联合优化分割与分类损失；2) 四方向距离图(Sobel算子处理)增强边界检测；3) 针对细胞密度不平衡的过采样策略；4) 染色增强技术提升模型鲁棒性；5) 基于形态学的后处理流程适配不同放大倍数(20x/40x)。实验使用NVIDIA Quadro RTX 6000显卡训练，采用AMSGrad优化器。

研究结果显示：在CoNIC数据集(20x)上，CISCA的Dice系数(89.0%)和AJI(75.6%)显著优于基线；在PanNuke(40x)的mPQ+达到53.7%，与CellViT相当；在CytoDArk0上，bPQ达73.7%，显著超越StarDist(65.3%)。特别值得注意的是：

细胞检测性能：CPN在CytoDArk0_20x_256的召回率(R)达93.2%，但CISCA在精确率(P)与召回率间取得更好平衡(F1=83.3%)。

分类准确性：在CoNIC的六类细胞分类中，CISCA对嗜酸性粒细胞(2.7%占比)的PQ+达45.1%，证明过采样策略有效缓解类别不平衡问题。

跨数据集验证：在未参与训练的MoNuSeg测试集上，CISCA保持85.6%的F1分数，显示良好泛化能力。

组织特异性分析：CISCA在PanNuke的19种组织类型中表现稳定，乳腺组织bPQ最高(68.2%)，与组织形态复杂性呈负相关。

讨论指出，CISCA的创新性体现在：1) 将Hover-Net的二元分类扩展为三元(BD/CB/BG)，结合四方向距离图提升分割精度；2) 轻量化设计(22.5M参数)较CellViT(89.3M)更易部署；3) CytoDArk0填补了Nissl染色数据空白，支持阿尔茨海默病、自闭症谱系障碍(ASD)等神经疾病的定量研究。局限在于对小细胞簇(如小脑颗粒细胞层)的分割仍有改进空间。

该研究为数字病理和神经科学研究提供了双重贡献：方法论上证明了中等复杂度CNN在生物医学图像分析中的优势；实践上通过开源框架和数据集推动可重复研究。未来工作将扩展细胞亚型标注，并探索与细胞图谱(cell-graph)分析的结合，为精准医疗和进化神经生物学提供新工具。