La segmentation et la classification des noyaux dans des images d’histologie colorées au hématoyline et à l’éosine constituent une tâche particulièrement difficile en raison de divers problèmes, notamment l’incohérence des couleurs due aux opérations manuelles de coloration non uniformes, le regroupement des noyaux, ainsi que les frontières floues et superposées entre noyaux. Les approches existantes consistent généralement à segmenter les noyaux en représentant leurs contours par des polygones ou en mesurant les distances entre les centroïdes des noyaux. À l’inverse, nous exploitons le fait que les caractéristiques morphologiques (apparence, forme et texture) des noyaux dans un tissu varient considérablement selon le type de tissu. Nous tirons parti de cette information en extrayant des caractéristiques spécifiques aux tissus (TS, tissue-specific) à partir d’images brutes d’histopathologie à l’aide du modèle proposé, le tissue-specific feature distillation (TSFD). Le réseau de pyramide de caractéristiques bidirectionnel (BiFPN) intégré au TSFD-Net génère une pyramide hiérarchique robuste en s’appuyant sur les caractéristiques TS, où les décodeurs interconnectés optimisent conjointement et fusionnent ces caractéristiques afin de produire les prédictions finales. Nous proposons également une nouvelle fonction de perte combinée, permettant une optimisation conjointe efficace et une convergence plus rapide du réseau proposé. Des études d’ablation approfondies sont menées afin de valider l’efficacité de chaque composant du TSFD-Net. Le réseau proposé dépasse les méthodes de pointe telles que StarDist, Micro-Net, Mask-RCNN, Hover-Net et CPP-Net sur le jeu de données PanNuke, qui inclut 19 types de tissus différents et 5 classes tumorales cliniquement significatives, atteignant respectivement 50,4 % et 63,77 % de qualité panoptique moyenne et binaire.