Die genaue Segmentierung von Kerninstanzen ist ein entscheidender Schritt bei computergestützter Bildanalyse, um reichhaltige Merkmale für die Zellabschätzung und die anschließende Diagnose sowie Therapie zu extrahieren. Dies stellt jedoch weiterhin eine Herausforderung dar, da die weit verbreiteten Kernencluster und die großen morphologischen Unterschiede zwischen verschiedenen Organen die Segmentierung von Kerninstanzen anfällig für Über- oder Untersegmentierung machen. Zudem verhindern die unvermeidlichen subjektiven Annotationen und Fehlkennungen, dass das Netzwerk aus verlässlichen Stichproben lernt, was letztendlich seine Generalisierungsfähigkeit zur robusten Segmentierung unbekannter Organkerne reduziert. Um diese Probleme zu lösen, schlagen wir ein neues tiefes neuronales Netzwerk vor, nämlich das Kontur-bewusste Informationsaggregationsnetzwerk (Contour-aware Informative Aggregation Network, CIA-Net), das über ein Modul zur Mehrstufigen Informationsaggregation zwischen zwei aufgabenbezogenen Dekodern verfügt. Anstatt unabhängiger Dekodern nutzt es den Vorteil der räumlichen und texturalen Abhängigkeiten zwischen Kernen und Konturen durch bidirektionale Aggregation aufgabenbezogener Merkmale. Darüber hinaus haben wir einen neuen glatten abgeschnittenen Verlust (smooth truncated loss) vorgeschlagen, der Verluste moduliert, um Störungen durch Ausreißer zu reduzieren. Dadurch kann das Netzwerk sich auf das Lernen aus verlässlichen und informativen Stichproben konzentrieren, was intrinsisch seine Generalisierungsfähigkeit verbessert. Experimente im Rahmen der 2018 MICCAI Challenge zur Multi-Organ-Nuclei-Segmentation bestätigten die Effektivität unserer vorgeschlagenen Methode, indem sie alle anderen 35 wettbewerbsfähigen Teams deutlich übertreffen.