Die morphologischen Merkmale verschiedener Krebszellen sind für Pathologen entscheidend, um die Stadien von Krebserkrankungen zu bestimmen. Um quantitative morphologische Informationen zu gewinnen, präsentieren wir ein end-to-end-Netzwerk für die Panoptic-Segmentierung von Pathologiebildern. In jüngster Zeit wurden zahlreiche Methoden vorgeschlagen, die sich entweder auf die semantische oder die instanzbasierte Zellsegmentierung konzentrieren. Im Gegensatz zu bestehenden Ansätzen zur Zellsegmentierung vereint das vorgeschlagene Netzwerk die Erkennung, Lokalisierung von Objekten und die Zuweisung pixelgenauer Klasseninformationen an Regionen mit erheblichen Überlappungen, wie beispielsweise dem Hintergrund. Diese Vereinheitlichung wird erreicht durch die Optimierung einer neuartigen semantischen Verlustfunktion, der Bounding-Box-Verlustfunktion des Region Proposal Network (RPN), der Klassifikationsverlustfunktion des RPN, der Hintergrund-Vorgrund-Klassifikationsverlustfunktion des Segmentierungs-Heads anstelle einer klassenspezifischen Verlustfunktion, sowie der Bounding-Box-Verlustfunktion des vorgeschlagenen Zellobjekts und der Maskenverlustfunktion des Zellobjekts. Die Ergebnisse zeigen, dass die vorgeschlagene Methode nicht nur die derzeit besten Ansätze auf dem Datensatz der 2017 MICCAI Digital Pathology Challenge übertrifft, sondern zudem eine effektive und end-to-end-Lösung für die Herausforderung der Panoptic-Segmentierung bietet.