代碼地址：https://github. com/TopoXLab/MCSpatNet

---

摘要

在數(shù)字病理學(xué)中，細(xì)胞的檢測(cè)與分類對(duì)于自動(dòng)化的診斷和預(yù)后任務(wù)都至關(guān)重要。將細(xì)胞劃分為不同亞型（如腫瘤細(xì)胞、淋巴細(xì)胞或基質(zhì)細(xì)胞）尤其具有挑戰(zhàn)性。現(xiàn)有方法多側(cè)重于單個(gè)細(xì)胞的形態(tài)特征，而在實(shí)際操作中，病理學(xué)家常常依賴細(xì)胞的空間上下文來推斷其類別。本文提出了一種新穎的方法，能夠同時(shí)實(shí)現(xiàn)細(xì)胞的檢測(cè)與分類，并明確引入空間上下文信息。我們采用空間統(tǒng)計(jì)函數(shù)，從多類別和多尺度的角度描述局部密度。通過表征學(xué)習(xí)與深度聚類技術(shù)，我們獲得了融合形態(tài)特征與空間上下文的高級(jí)細(xì)胞表示。在多個(gè)基準(zhǔn)數(shù)據(jù)集上，我們的方法在性能上優(yōu)于現(xiàn)有的先進(jìn)方法，尤其在細(xì)胞分類任務(wù)中表現(xiàn)更為出色。

引言

我們提出了首個(gè)聯(lián)合細(xì)胞檢測(cè)與分類的方法，該方法首次顯式學(xué)習(xí)了細(xì)胞的空間上下文感知表示。我們證明，引入空間上下文可以顯著提升性能，尤其是在細(xì)胞分類任務(wù)中。

在數(shù)字病理學(xué)中，從全片組織切片圖像中識(shí)別各種類型的細(xì)胞（如腫瘤細(xì)胞、淋巴細(xì)胞和基質(zhì)細(xì)胞）是實(shí)現(xiàn)自動(dòng)診斷和預(yù)后的關(guān)鍵步驟。不同類型細(xì)胞的空間分布模式能夠全面表征腫瘤與免疫細(xì)胞間的相互作用，并與臨床結(jié)果密切相關(guān) [29, 48, 23]。一個(gè)典型的例子是腫瘤浸潤(rùn)性淋巴細(xì)胞（TILs）的檢測(cè)與量化，即分布在侵襲性腫瘤邊緣內(nèi)部的淋巴細(xì)胞 [36]。研究表明，TILs 的豐富程度與更好的臨床結(jié)果相關(guān) [37, 38, 41]。除了淋巴細(xì)胞之外，在侵襲性腫瘤前沿出現(xiàn)的孤立或小簇腫瘤細(xì)胞（稱為腫瘤芽生）也是一種預(yù)后生物標(biāo)志物，與結(jié)直腸癌及其他實(shí)體瘤中淋巴結(jié)轉(zhuǎn)移風(fēng)險(xiǎn)增加有關(guān) [28]。其他示例還包括對(duì)淋巴血管侵犯和神經(jīng)周圍侵犯的評(píng)估 [27]，以及在乳糜瀉診斷中對(duì)上皮內(nèi)淋巴細(xì)胞的識(shí)別與量化 [34]。所有這些研究都需要一種高效算法，來準(zhǔn)確識(shí)別不同類型的細(xì)胞。

多類別細(xì)胞識(shí)別任務(wù)既包含細(xì)胞檢測(cè)，也包含細(xì)胞分類。過去幾十年，細(xì)胞檢測(cè)已經(jīng)得到了廣泛研究 [40, 21, 45]?，F(xiàn)有方法主要分為兩類：一類是借用計(jì)算機(jī)視覺中的目標(biāo)檢測(cè)算法 [20, 47]，另一類是將其視為實(shí)例分割問題，對(duì)細(xì)胞核逐個(gè)分割 [18, 19, 32, 25, 30]。盡管分割方法能提供詳細(xì)的細(xì)胞核形態(tài)，但訓(xùn)練這些方法需要高度精細(xì)的細(xì)胞核掩膜標(biāo)注，耗時(shí)耗力。為了解決這一瓶頸問題，研究者提出了弱監(jiān)督方法 [31, 46, 43, 11]，僅依賴于點(diǎn)注釋（即標(biāo)注在細(xì)胞核中心的點(diǎn)）來進(jìn)行分割。點(diǎn)注釋是一種更具成本效益的大規(guī)模訓(xùn)練標(biāo)注形式。

盡管在細(xì)胞檢測(cè)方面取得了顯著進(jìn)展，細(xì)胞分類的研究進(jìn)展卻相對(duì)緩慢。實(shí)際上，即便對(duì)于人類專家而言，細(xì)胞分類仍是一項(xiàng)頗具挑戰(zhàn)的任務(wù)。不同類型的細(xì)胞可能具有相似的外觀特征；而同類型細(xì)胞在腫瘤或炎癥區(qū)域中可能在形態(tài)和紋理上存在很大差異。要在如此復(fù)雜的背景下實(shí)現(xiàn)準(zhǔn)確分類，病理學(xué)家不僅依賴細(xì)胞外觀，還依賴于其周圍細(xì)胞的上下文信息、空間關(guān)系和組織結(jié)構(gòu)。例如，退變或凋亡細(xì)胞往往聚集在形成腺體的腫瘤的腔隙中，即便它們呈現(xiàn)多種不同的形態(tài)特征，也能在這種空間結(jié)構(gòu)中被識(shí)別；類似地，當(dāng)反應(yīng)性基質(zhì)細(xì)胞與腫瘤細(xì)胞的形態(tài)和染色質(zhì)模式難以區(qū)分時(shí)，組織結(jié)構(gòu)模式也可輔助其鑒別。

因此，設(shè)計(jì)理想的分類算法，關(guān)鍵在于模仿病理學(xué)家的診斷邏輯，將空間上下文納入決策過程。與僅隱式學(xué)習(xí)上下文的方法不同 [19, 40]，我們提出了一種新型算法，明確利用空間上下文進(jìn)行學(xué)習(xí)。為建?？臻g上下文，我們引入了經(jīng)典的空間統(tǒng)計(jì)學(xué)函數(shù)——Ripley 的 K 函數(shù) [15]。K 函數(shù)能夠以多類別、多尺度的方式編碼細(xì)胞之間的空間關(guān)系，被證明是刻畫細(xì)胞結(jié)構(gòu)的有力工具 [48, 7]。但現(xiàn)有研究大多僅將 K 函數(shù)用于下游分析，而非用于提升細(xì)胞識(shí)別性能。

本研究的一個(gè)核心挑戰(zhàn)在于：空間上下文在推理階段是不可直接獲得的——因?yàn)樵谖醋R(shí)別出細(xì)胞及其類別之前，無法計(jì)算 K 函數(shù)。為此，我們假設(shè)深度神經(jīng)網(wǎng)絡(luò)具有足夠的學(xué)習(xí)能力，并提出通過多任務(wù)學(xué)習(xí)框架來學(xué)習(xí)空間上下文感知的表示。我們訓(xùn)練一個(gè)深度神經(jīng)網(wǎng)絡(luò)，聯(lián)合完成細(xì)胞檢測(cè)、細(xì)胞分類和空間上下文預(yù)測(cè)（即預(yù)測(cè) K 函數(shù)）。在訓(xùn)練過程中，網(wǎng)絡(luò)能夠?qū)W習(xí)融合了外觀特征與空間上下文的細(xì)胞表示。在推理階段，僅使用檢測(cè)與分類模塊即可獲得優(yōu)異表現(xiàn)，得益于訓(xùn)練時(shí)學(xué)到的空間感知能力。圖1展示了該過程的示意。

在多任務(wù)框架下進(jìn)行學(xué)習(xí)具有一定挑戰(zhàn)性，因?yàn)檫@些任務(wù)本質(zhì)上差異較大。細(xì)胞檢測(cè)與分類模塊輸出的是類別標(biāo)簽，而空間上下文預(yù)測(cè)模塊則需輸出高維連續(xù)值向量（K 函數(shù)）。為更好地融合這些任務(wù)，我們引入了一個(gè)深度聚類模塊，靈感來自無監(jiān)督和弱監(jiān)督學(xué)習(xí)的相關(guān)研究 [10, 13]。該模塊中，我們對(duì)深度表示進(jìn)行聚類，生成偽標(biāo)簽，這些偽標(biāo)簽在細(xì)胞類別標(biāo)簽與 K 函數(shù)之間建立了連接，促進(jìn)了各模塊的協(xié)同與外觀信息與空間信息的融合。圖2展示了我們模型的整體結(jié)構(gòu)。

我們將所提出的方法命名為 MCSpatNet，并應(yīng)用于細(xì)胞聯(lián)合檢測(cè)與分類任務(wù)。我們?cè)谌齻€(gè)多類別點(diǎn)注釋基準(zhǔn)數(shù)據(jù)集（乳腺癌、結(jié)直腸癌和肺癌）上對(duì)該方法進(jìn)行了評(píng)估。結(jié)果表明，我們的方法在性能上超越了多種現(xiàn)有先進(jìn)方法，驗(yàn)證了空間上下文感知表示的有效性。

綜上所述，我們的主要貢獻(xiàn)如下：

• 提出了一種新穎的細(xì)胞檢測(cè)與分類方法，首次通過多任務(wù)學(xué)習(xí)顯式學(xué)習(xí)細(xì)胞的空間上下文感知表示；

• 引入空間統(tǒng)計(jì)函數(shù)（K 函數(shù)）作為細(xì)胞空間上下文的有效描述方式；

• 引入空間上下文預(yù)測(cè)模塊與深度聚類模塊，促進(jìn)空間與外觀特征的融合學(xué)習(xí)。

模型

我們提出了一種用于 H&E 染色圖像中細(xì)胞聯(lián)合檢測(cè)與分類 的方法。模型的預(yù)測(cè)結(jié)果和真實(shí)標(biāo)注都是多類別的點(diǎn)標(biāo)注形式：每個(gè)點(diǎn)位于細(xì)胞核的近似中心位置，并附帶細(xì)胞的類別標(biāo)簽，包括 炎性細(xì)胞（inflammatory）、上皮細(xì)胞（epithelial） 和 基質(zhì)細(xì)胞（stromal）。如圖3所示提供了示意。

我們模型由多個(gè)執(zhí)行不同任務(wù)的模塊組成。這些模塊共享相同的輸入和特征提取器，但各自擁有獨(dú)立的卷積層塊，用于完成其特定的預(yù)測(cè)任務(wù)。通過這種方式，各模塊可以在共享表示的基礎(chǔ)上協(xié)同學(xué)習(xí)而不會(huì)互相干擾。

模型架構(gòu)如圖2所示。除了細(xì)胞檢測(cè)與分類模塊外，我們的方法還引入了兩個(gè)額外模塊：

1. 空間分布預(yù)測(cè)模塊（Spatial Distribution Prediction Module）：該模塊學(xué)習(xí)預(yù)測(cè)細(xì)胞相關(guān)的空間統(tǒng)計(jì)函數(shù)，從而具備了匯聚描述空間上下文信息的能力。

2. 基于細(xì)胞級(jí)別的深度聚類模塊（Cell-level Deep Clustering Module）：該模塊根據(jù)細(xì)胞的特征表示進(jìn)行迭代聚類，并預(yù)測(cè)聚類結(jié)果，融合了細(xì)胞的外觀特征和空間上下文，以獲取更優(yōu)的特征表達(dá)。

注：我們的圖像塊選自癌變區(qū)域，因此上皮細(xì)胞均為腫瘤細(xì)胞。

---

2.1 細(xì)胞的空間上下文建模（Cellular Spatial Context）

我們將一個(gè)細(xì)胞的空間上下文定義為其鄰域中不同類別細(xì)胞的分布情況。為此，我們引入了 Ripley 的 K 函數(shù) ——一種描述點(diǎn)模式的空間統(tǒng)計(jì)函數(shù) [15, 5]。

對(duì)于一個(gè)被關(guān)注的細(xì)胞（稱為“源點(diǎn)”），我們可以統(tǒng)計(jì)其一定距離 r 范圍內(nèi)的鄰居細(xì)胞數(shù)（稱為“目標(biāo)點(diǎn)”）。將所有觀測(cè)點(diǎn)匯總后，K函數(shù)就成為一個(gè)累計(jì)分布函數(shù)，表示源點(diǎn)在不斷增大的距離 ri?內(nèi)所預(yù)期的鄰居數(shù)。如圖4所示。

形式上，給定一個(gè)大小為 n 的二維點(diǎn)集 X，K函數(shù)定義如下：

其中：

• d(s,t)是源點(diǎn) s 與目標(biāo)點(diǎn) t的歐氏距離；

• ???是 Iverson 括號(hào)，條件為真時(shí)值為 1，否則為 0；

• λ是歸一化的強(qiáng)度函數(shù)，用于調(diào)整源點(diǎn)密度的影響。

根據(jù)建模假設(shè)，λ 可以是常數(shù)（即 \frac{\text{Area}}{n}，均質(zhì)情形），也可以依賴于位置（非均質(zhì)情形）。

我們可以將計(jì)算出的 K 函數(shù)與基線進(jìn)行比較，例如與泊松隨機(jī)點(diǎn)過程（Poisson Point Process）對(duì)應(yīng)的 K 函數(shù)比較：

• 當(dāng)目標(biāo) K 函數(shù)高于基線時(shí)，表示鄰域中的目標(biāo)點(diǎn)比隨機(jī)分布中期望的更多，說明 存在聚類；

• 當(dāng)目標(biāo) K 函數(shù)低于基線時(shí)，說明鄰域中目標(biāo)點(diǎn)比隨機(jī)期望的更少，表現(xiàn)為 離散。

對(duì)于多類別點(diǎn)集，我們將 K 函數(shù)擴(kuò)展為支持源點(diǎn)和目標(biāo)點(diǎn)來自不同類別的情況，此時(shí)該函數(shù)被稱為 K-交叉函數(shù)（K-cross function）。

特異性細(xì)胞的 K 函數(shù)及其向量化

在細(xì)胞檢測(cè)與分類任務(wù)中，我們關(guān)注的是單個(gè)細(xì)胞，而非整個(gè)細(xì)胞群體的空間關(guān)系。對(duì)于給定的源細(xì)胞s，我們限制在其周圍的一個(gè)固定大小區(qū)域內(nèi)進(jìn)行空間上下文分析，僅考慮落在該局部區(qū)域（patch）內(nèi)的目標(biāo)細(xì)胞。我們對(duì)不同類別的目標(biāo)細(xì)胞逐一計(jì)算其空間關(guān)系。對(duì)于類別 c，記 Xsc為以 s 為中心的局部區(qū)域內(nèi)所有類別為 c 的細(xì)胞集合。類別 c 的 K 函數(shù)定義如下：

其中， 表示所有局部區(qū)域內(nèi)目標(biāo)細(xì)胞的最大數(shù)量，用于歸一化處理。

在實(shí)際操作中，我們?cè)O(shè)定局部 patch 的大小為 180 × 180 像素，并在一組有限的半徑值上對(duì) K 函數(shù)進(jìn)行均勻采樣，半徑值為：15, 30, 45, ..., 90 像素。由于我們處理三類細(xì)胞，每類采樣 6 個(gè)半徑，共得到一個(gè) 18 維的向量。我們將其稱為細(xì)胞 sss 的 K 函數(shù)向量（K-function vector）。通過學(xué)習(xí)預(yù)測(cè)這個(gè) K 函數(shù)向量，模型能夠?qū)W習(xí)細(xì)胞的空間表示能力。

---

K 函數(shù)與細(xì)胞的空間行為

我們通過真實(shí)示例進(jìn)一步說明 K 函數(shù)如何幫助細(xì)化細(xì)胞的空間表示。在圖 5 中，我們可視化了不同類別細(xì)胞及其對(duì)應(yīng)的 K 函數(shù)表現(xiàn)。由于 K 函數(shù)是高維數(shù)據(jù)，無法直接可視化其數(shù)值，因此我們將每類細(xì)胞按照其 K 函數(shù)向量進(jìn)行聚類，并使用不同顏色對(duì)不同子類細(xì)胞進(jìn)行可視化（炎性細(xì)胞為深藍(lán)到淺藍(lán)，間質(zhì)細(xì)胞為深綠到淺綠，上皮細(xì)胞為深紅到淺紅/粉紅）。

我們觀察到，不同子類細(xì)胞呈現(xiàn)出明顯不同的空間行為特征。例如，上皮細(xì)胞中聚集于腫瘤巢中的細(xì)胞通常屬于粉紅子類，而那些較分散且靠近間質(zhì)細(xì)胞的細(xì)胞屬于紅色子類。間質(zhì)細(xì)胞中，淺綠色子類通?？拷渌悇e細(xì)胞（如炎性或上皮細(xì)胞），而深綠色子類則往往遠(yuǎn)離其他細(xì)胞。炎性細(xì)胞也表現(xiàn)出類似趨勢(shì)：淺藍(lán)子類較為聚集，深藍(lán)子類較為分散。

此外，圖 6 顯示了不同類別細(xì)胞對(duì)之間的平均 K 函數(shù)結(jié)果，明顯表明不同類別對(duì)的空間行為各不相同。

這些發(fā)現(xiàn)表明，K 函數(shù)可以有效地將細(xì)胞劃分為具有不同空間行為的子類，從而進(jìn)一步推動(dòng)我們通過 K 函數(shù)來學(xué)習(xí)細(xì)胞的空間表示能力。

2.2 空間上下文感知表示的多任務(wù)學(xué)習(xí)

我們提出的模型包含四個(gè)用于不同任務(wù)的模塊：細(xì)胞檢測(cè)、細(xì)胞分類、深度聚類和空間上下文預(yù)測(cè)。這四個(gè)模塊共享一個(gè)特征提取器，該提取器學(xué)習(xí)通用的特征表示。其中，深度聚類模塊和空間上下文預(yù)測(cè)模塊僅在訓(xùn)練階段使用，其目的是學(xué)習(xí)一個(gè)具備空間上下文感知能力的表示，從而提升細(xì)胞檢測(cè)和分類的性能。請(qǐng)參見圖2了解模型架構(gòu)。

特征提取器

特征提取器是一個(gè)U-Net變體，其編碼器采用VGG-16結(jié)構(gòu)。提取器輸出96通道的特征圖，空間分辨率與輸入圖像相同。這一特征表示被四個(gè)任務(wù)模塊共享。

每個(gè)任務(wù)模塊都有其專屬的卷積層塊。這些塊的輸入輸出分辨率與原圖一致，但輸出通道數(shù)因任務(wù)而異。這種設(shè)計(jì)允許各任務(wù)根據(jù)自身需求調(diào)整特征，不會(huì)發(fā)生沖突。因?yàn)檫@些任務(wù)的性質(zhì)差異較大，既包括分類任務(wù)，也包括回歸任務(wù)。尤其是深度聚類任務(wù)具有很強(qiáng)的動(dòng)態(tài)性，若不使用單獨(dú)的模塊，可能會(huì)導(dǎo)致特征提取器不穩(wěn)定，進(jìn)而影響其他任務(wù)的性能。

接下來，我們介紹每個(gè)任務(wù)模塊的細(xì)節(jié)。

---

細(xì)胞檢測(cè)與分類模塊

在細(xì)胞檢測(cè)任務(wù)中，模型對(duì)每個(gè)像素預(yù)測(cè)一個(gè)單通道的置信度圖，并與二值真值掩膜進(jìn)行比較。該真值掩膜是對(duì)細(xì)胞點(diǎn)注釋進(jìn)行適度膨脹得到的。對(duì)于靠得較近的細(xì)胞，我們使用更小的膨脹半徑以避免重疊。掩膜中的每個(gè)連通區(qū)域?qū)?yīng)一個(gè)細(xì)胞，見圖3。該模塊的輸出是單通道圖像，使用Sigmoid激活函數(shù)，并采用DICE損失函數(shù)進(jìn)行訓(xùn)練，以更好地保留圖像中的小目標(biāo)。

在分類任務(wù)中，我們構(gòu)建了類似的真值掩膜，但每個(gè)連通區(qū)域內(nèi)的像素標(biāo)記為特定的細(xì)胞類別。分類模塊的輸出具有三個(gè)通道，對(duì)應(yīng)三種細(xì)胞類別，使用Softmax激活并同樣采用DICE損失函數(shù)訓(xùn)練。

推理階段，僅使用檢測(cè)與分類模塊。我們對(duì)檢測(cè)模塊的輸出進(jìn)行閾值處理，并提取每個(gè)連通區(qū)域的質(zhì)心作為預(yù)測(cè)的細(xì)胞位置。隨后，在預(yù)測(cè)位置上從分類模塊的輸出中提取類別標(biāo)簽。

---

空間上下文預(yù)測(cè)模塊

空間上下文預(yù)測(cè)模塊用于預(yù)測(cè)每個(gè)細(xì)胞的K函數(shù)向量（如公式(2)所定義）。其直覺是：通過預(yù)測(cè)空間上下文信息，所學(xué)習(xí)的特征表示能具備空間上下文感知能力，從而輔助檢測(cè)與分類模塊。我們將在實(shí)驗(yàn)部分通過消融實(shí)驗(yàn)驗(yàn)證這一點(diǎn)。

對(duì)于每個(gè)細(xì)胞，我們預(yù)測(cè)一個(gè)18維的K函數(shù)向量。其真值由細(xì)胞檢測(cè)任務(wù)生成的真值掩膜得出。對(duì)于每個(gè)陽性像素（即膨脹區(qū)域內(nèi)的像素），我們計(jì)算其K函數(shù)向量。該模塊的輸出具有與輸入圖像相同的空間分辨率，并包含18個(gè)通道，對(duì)應(yīng)K函數(shù)向量的18個(gè)維度。無需額外激活函數(shù)，僅比較陽性像素處的預(yù)測(cè)與真實(shí)向量。

比較兩個(gè)K函數(shù)向量時(shí)，可使用Kolmogorov–Smirnov檢驗(yàn)（用于比較累積分布函數(shù)）。其形式為預(yù)測(cè)與真實(shí)向量之間的最大差值：

但在實(shí)際中，我們發(fā)現(xiàn)最大范數(shù)效率較低，故改用L1范數(shù)作為代理損失。

---

深度聚類模塊

盡管空間上下文預(yù)測(cè)模塊可學(xué)習(xí)空間上下文表示，但實(shí)踐中我們發(fā)現(xiàn)它與檢測(cè)和分類模塊協(xié)同效果較差。我們推測(cè)，外觀特征與空間特征融合效果不佳，可能是因?yàn)樗鼈內(nèi)蝿?wù)本質(zhì)差異太大：檢測(cè)與分類是小類別的像素級(jí)分類任務(wù)，而空間上下文預(yù)測(cè)是高維回歸問題。

為此，我們引入深度聚類模塊，用于重新校準(zhǔn)外觀與空間特征。該模塊本質(zhì)上是一個(gè)具有大量偽類別的像素級(jí)分類任務(wù)，偽類別由外觀和空間信息聯(lián)合生成。深度聚類在弱監(jiān)督與無監(jiān)督任務(wù)中已被證實(shí)可增強(qiáng)特征表示，符合我們的場(chǎng)景需求：我們沒有細(xì)胞子類別的金標(biāo)準(zhǔn)，而是動(dòng)態(tài)生成這些子類別，并訓(xùn)練模型去預(yù)測(cè)它們。

具體而言，我們對(duì)中間特征表示進(jìn)行K-means聚類，得到每類細(xì)胞的5個(gè)偽子類別。深度聚類模塊的結(jié)構(gòu)與分類模塊類似，用于預(yù)測(cè)這些偽標(biāo)簽。聚類所用的特征為深度聚類模塊與空間上下文預(yù)測(cè)模塊的特征拼接，確保融合空間與外觀信息。

每個(gè)訓(xùn)練周期開始時(shí)，重新生成聚類與偽標(biāo)簽，且使用前一周期的聚類中心初始化以避免劇烈變化。訓(xùn)練方法與分類任務(wù)類似，使用DICE損失。

---

總體損失函數(shù)

模型的總損失是四個(gè)模塊損失的加權(quán)和：

在實(shí)踐中，我們將所有權(quán)重均設(shè)為1。

實(shí)驗(yàn)

我們?cè)谌N不同癌癥類型的數(shù)據(jù)集上評(píng)估了我們的方法 MCSpatNet：乳腺癌、肺癌和結(jié)直腸癌。

• 乳腺癌數(shù)據(jù)集（BRCA-M2C） 包含來自 TCGA 數(shù)據(jù)庫 [42] 的 113 位患者的 120 個(gè)圖像塊。

• 肺癌數(shù)據(jù)集（SEER-Lung） 來自 SEER 隊(duì)列 [16]，包含 57 個(gè)圖像塊。

• 結(jié)直腸癌數(shù)據(jù)集（Consep） 是一個(gè)公開可用的數(shù)據(jù)集 [19]，共包含 41 個(gè)圖像塊。

每個(gè)圖像塊均從不同的全切片圖像或組織樣本中采樣，以最大化泛化能力。所有三個(gè)數(shù)據(jù)集中的圖像塊大小均約為 500×500 像素，在 20 倍放大倍率下獲取，足以提供豐富的空間上下文信息。

乳腺癌和肺癌數(shù)據(jù)集由病理學(xué)專家進(jìn)行注釋，給出了細(xì)胞近似中心點(diǎn)的真實(shí)標(biāo)簽，并標(biāo)注了所屬類別：炎性細(xì)胞（inflammatory）、上皮細(xì)胞（epithelial） 或 基質(zhì)細(xì)胞（stromal）。需要指出的是，這些圖像塊中的所有上皮細(xì)胞均為腫瘤細(xì)胞。

Consep 數(shù)據(jù)集還額外提供了細(xì)胞核輪廓的掩膜信息。

---

畫的圖很喜歡，學(xué)習(xí)