14、基于点标注和迁移学习的弱监督肿瘤浸润淋巴细胞（TILs）分割方法

基于点标注和迁移学习的弱监督肿瘤浸润淋巴细胞（TILs）分割方法

1. 引言

在数字病理学中，全切片图像（WSI）的分析对于癌症诊断和免疫反应预后至关重要。传统的分析方法需要病理学家手动计数细胞核数量并测量异常细胞核（如肿瘤浸润淋巴细胞，TILs）的密度，这一过程由于WSI的高分辨率和细胞核类型的多样性而变得繁琐。虽然深度学习的发展带来了一些基于深度学习的细胞核分割方法，但这些方法大多是全监督的，需要精确的像素级标签，标注成本高。

近年来，弱监督学习方法逐渐受到关注，其中基于点标注的弱监督学习方法可以减轻人工标注的负担。然而，现有的方法往往无法区分不同类型的细胞核，也难以处理相邻或重叠的细胞核。为了解决这些问题，本文提出了一种基于点标注和迁移学习的弱监督TILs分割模型。

2. 相关工作

2.1 细胞核分割

大多数细胞核分割方法是全监督的，使用专家标注的掩码来训练深度模型。例如，Kumar等人将掩码分为内部、边界和背景三类，通过预测边界来准确区分重叠或相邻的细胞核；Graham等人设计了一个多分支网络，同时进行细胞核分割和分类；Yao等人将细胞核实例分割视为关键点检测任务。但这些方法需要大量的人工标注，成本较高。

2.2 弱监督分割

为了减少标注时间，弱监督方法被引入。点标注被认为是一种简单有效的WSI标注方式，可以扩展为各种信息线索来检测细胞核。例如，Qu等人使用Voronoi图和k-means聚类算法生成伪标签；Tian等人提出了一种从粗到细的分割策略；Yoo等人提出了一个辅助网络来寻找细胞核的边缘和斑点。然而，这些方法都没有针对TILs进行分割。

3. 方法 <