Shape-supervised network for cross-domain nuclei instance segmentation

在人体微观世界的静谧之中，健康与疾病的故事往往书写在细胞的形状与排列之中。病理学家——那些在显微镜下检查组织样本的医生——高度依赖于对细胞核（存在于几乎每个细胞中的深色中央指挥中心）进行计数和分析。当这些细胞核紧密堆积在一起，或者由于癌症或感染而呈现出异常形状时，识别每一个独立细胞的任务会变得极其困难。几十年来，科学家们一直试图教会计算机自动完成这项工作，希望能加速诊断并减轻人工负担。然而，标准的计算机程序在从一种类型的组织样本转移到另一种类型时，或者当细胞过于拥挤导致其边界模糊成一个模糊的整体时，往往难以应对。挑战不仅在于“看到”细胞，还在于理解每一个细胞都是一个具有可预测形态的、独立的、清晰的对象，即使图像看起来很混乱，或者来自不同的实验室。

一个研究小组开发了一种新方法来解决这个问题，创建了一个系统，教计算机通过预期的形状来识别细胞。这种被称为 SSNet 的新方法并非只是简单地要求计算机在看到的每一个暗点周围画线，而是更像是一个引导者，不断根据一个关于“健康的细胞核应该长什么样”的心理模型来检查工作。研究人员意识到，虽然单个细胞会有所不同，但它们通常共享一种共同的、类椭圆形的结构。通过构建一个利用这一知识作为规则的系统，他们能够训练计算机比以往的方法更准确地分离拥挤的细胞，即使是在观察来自不同医院或以不同方式制备的图像时也是如此。

这个新系统的核心是一个协同工作的三步流程，就像一个单一且连贯的整体。首先，一个计算机网络扫描图像以寻找所有存在细胞核的区域，从而创建一个前景的粗略地图。接着，一个数学工具将这些区域分组为单个候选对象，试图弄清楚一个细胞在哪里结束，另一个细胞在哪里开始。最后，系统会检查每个候选对象的形状。如果一个候选对象看起来像一个光滑的椭圆，它就会被接受；如果它看起来凹凸不平、拉长或形状怪异，系统就会知道出了问题。这种“形状检查”不仅仅是最后的审查；它被用作一种教学信号。系统会将此信息反馈到第一步，告诉计算机：“你在这里漏掉了边界，”或者“你把两个细胞合并成了一个，”并据此调整未来的预测。这创造了一个反馈循环，使计算机学会绘制更干净、更准确的边界，因为它不断被提醒去寻找它试图寻找的细胞的自然椭圆形状。

为了测试这个想法是否奏效，研究人员在一个大型公共数据库图像集上训练了他们的系统，然后用未见过的全新数据对其进行了挑战。他们使用了来自九种不同器官类型的图像，以及来自中国医院的包含数千个密集排列的宫颈细胞的私人样本。结果令人瞩目。当系统在从未见过的图像上进行测试时，它成功地以极高的准确度识别并分离了单个细胞核。在一次涉及整张组织切片中数千个细胞的测试中，新方法正确识别了近 99% 的细胞，并在标记精确度方面达到了 97% 左右。这优于其他几种领先的计算机程序，后者往往要么漏掉拥挤群体中隐藏的小细胞，要么错误地将两个独立的细胞合并成一个团块。

当研究人员测试该系统处理不同风格图像的能力时，其真正的优势显现了出来。在现实世界中，组织样本根据染色方式或使用的显微镜不同，看起来会有很大差异。在一个类型图像上训练的计算机在面对另一种图像时往往会失败。然而，由于新系统依赖于细胞的基本形状而非仅仅是图像的具体颜色或纹理，它保持了稳健性。当研究人员在一个医院的数据上训练系统，然后在具有完全不同图像风格的其他三个医院的数据上进行测试时，性能保持得几乎一致。识别单个细胞的误差率保持在 2% 以下，这证明了该系统学习到的是关于细胞形状的普遍规则，而不仅仅是记住了特定的图片。

研究人员还通过将该方法与不使用形状引导的系统进行比较，探讨了为什么这种方法效果如此之好。如果没有形状检查，计算机通常会产生凹凸不平、不规则的轮廓，使得很难判断一个细胞在哪里结束，另一个细胞在哪里开始。这些混乱的边界导致了错误，即计算机会将单个细胞拆分为两个，或者将两个独立的细胞粘合在一起。通过强制执行“细胞通常应该是椭圆形”这一规则，该系统平滑了这些错误，产生了更接近真实情况的干净、清晰的形状。研究表明，虽然细胞可能因疾病而变形，但它们很少会完全失去其基本的椭圆结构，利用这一简单的几何真理作为引导，是提高医学领域计算机视觉能力的强大途径。

这项工作并不声称解决了细胞分析中的所有问题。研究人员承认，由于该系统是建立在细胞大致呈椭圆形的假设之上，因此在处理极其不规则或受损严重到无法辨认的细胞时，可能会遇到困难。他们还指出，目前的网络架构相对简单，仍可进一步优化。然而，这些发现提供了一条清晰的前进路径：通过将“观察能力”与“预期知识”相结合，计算机可以成为医生更可靠的伙伴。本研究中开发的代码和模型现在已向公众开放，有望帮助标准化并提高不同实验室和地区癌症诊断及其他病理评估的准确性。