HoVer-Net：多组织病理图像中细胞核的同步分割与分类

在数字病理学工作流程中，对苏木精和伊红（Haematoxylin & Eosin, H&E）染色的组织学图像中的细胞核进行分割和分类是一项基本前提。自动化方法的发展使得能够在全切片病理图像中对数万个细胞核进行定量分析，从而为大规模核形态测量的进一步分析开辟了可能性。然而，自动化的细胞核分割和分类面临着一个主要挑战，即存在多种不同类型的细胞核，其中一些类型（如肿瘤细胞）表现出较大的类内变异。此外，一些细胞核经常聚集在一起。为了应对这些挑战，我们提出了一种新颖的卷积神经网络，该网络利用了细胞核像素到其质心的垂直和水平距离所编码的实例丰富信息。这些距离随后被用于分离聚集的细胞核，从而实现准确的分割，特别是在重叠实例较多的区域。对于每个分割出的实例，网络通过专门设计的上采样分支预测其细胞核类型。我们在多个独立的多组织组织学图像数据集上展示了该方法相较于其他方法的一流性能。作为本研究的一部分，我们引入了一个新的H&E染色结直肠腺癌图像块数据集，包含24,319个详尽注释的细胞核及其相应的类别标签。