摘要
苏木精-伊红（H&E）染色组织病理图像中的细胞核分割与分类是一项极具挑战性的任务，主要受多种因素影响，包括因人工染色操作不一致导致的颜色差异、细胞核聚集现象以及细胞核边界模糊、重叠等问题。现有方法通常通过绘制细胞核的多边形轮廓或计算细胞核中心点之间的距离来实现分割。相比之下，我们利用组织类型差异导致的细胞核形态特征（外观、形状和纹理）显著不同的特性，提出了一种基于组织特异性特征蒸馏（Tissue-Specific Feature Distillation, TSFD）主干网络的方法，从原始病理图像中提取具有组织特异性的（Tissue-Specific, TS）特征。在TSFD-Net中，双向特征金字塔网络（Bi-directional Feature Pyramid Network, BiFPN）通过融合TS特征构建稳健的层次化特征表示，其相互关联的解码器模块协同优化并融合多尺度特征，以生成最终的分割预测结果。此外，我们设计了一种新颖的组合损失函数，用于联合优化网络训练过程，显著提升了模型的收敛速度与稳定性。通过大量消融实验，我们验证了TSFD-Net各组件的有效性。在包含19种不同组织类型和5种临床重要肿瘤类别的PanNuke数据集上，所提出的网络在性能上超越了当前最先进的方法，包括StarDist、Micro-Net、Mask R-CNN、Hover-Net和CPP-Net，分别取得了50.4%的平均全景质量（panoptic quality）和63.77%的二值全景质量，显著提升了细胞核分割与分类的准确性和鲁棒性。