CIA-Net：基于轮廓感知信息聚合的鲁棒细胞核实例分割

准确分割细胞核实例是计算机辅助图像分析中的关键步骤，用于提取丰富的特征以进行细胞估计及后续的诊断和治疗。然而，由于细胞核聚类的广泛存在以及不同器官之间形态学的巨大差异，使得细胞核实例分割容易出现过度分割或分割不足的问题。此外，不可避免的主观标注和错误标记阻碍了网络从可靠样本中学习，最终降低了对未见过的器官细胞核进行稳健分割的泛化能力。为了解决这些问题，我们提出了一种新的深度神经网络——轮廓感知信息聚合网络（Contour-aware Informative Aggregation Network, CIA-Net），该网络在两个任务特定解码器之间引入了多级信息聚合模块。与独立解码器不同，CIA-Net通过双向聚合任务特定特征来利用细胞核与轮廓之间的空间和纹理依赖关系。此外，我们还提出了一种新的平滑截断损失函数，该函数通过调节损失值来减少异常值的影响。因此，网络可以专注于从可靠且具有信息量的样本中学习，从而内在地提高了其泛化能力。在2018年MICCAI多器官细胞核分割挑战赛上的实验验证了我们所提出方法的有效性，显著超越了其他35个竞争团队。