摘要
自动核分割和分类在数字病理学中发挥着至关重要的作用。然而，以往的研究大多基于数据多样性有限且规模较小的数据集，这使得其在实际下游任务中的结果存在疑问或误导性。本文旨在构建一种可靠且鲁棒的方法，能够处理来自“临床野外”的数据。具体而言，我们研究并设计了一种新方法，能够同时检测、分割和分类苏木精和伊红（H&E）染色的组织病理学数据中的细胞核，并使用最近发布的最大数据集PanNuke对我们的方法进行了评估。我们将每个细胞核的检测和分类视为一个新颖的语义关键点估计问题，以确定每个细胞核的中心点。随后，通过动态实例分割获得这些细胞核中心点对应的类别无关掩码。与此同时，我们提出了一种新的联合金字塔融合模块（Joint Pyramid Fusion Module, JPFM），用于建模跨尺度依赖关系，从而增强局部特征，提高细胞核检测和分类的准确性。通过解耦两个同时存在的挑战性任务并利用JPFM的优势，我们的方法可以从类别感知检测和类别无关分割中获益，从而显著提升性能。我们在19种不同组织类型上展示了所提出方法在细胞核分割和分类方面的优越性能，并提供了新的基准结果。