上智院等提出鄰接感知細(xì)胞實(shí)例分割框架Disco，高密度場(chǎng)景PQ提升

作者丨上智院「女?huà)z」團(tuán)隊(duì)、復(fù)旦大學(xué)人工智能創(chuàng)新與產(chǎn)業(yè)研究院、臨港實(shí)驗(yàn)室等

編輯丨ScienceAI

在數(shù)字病理分析中，細(xì)胞實(shí)例分割是不可或缺的基礎(chǔ)工具，其精度直接影響細(xì)胞計(jì)數(shù)、形態(tài)分析、空間組織學(xué)研究乃至腫瘤分級(jí)等關(guān)鍵臨床與科研任務(wù)的可靠性。生物組織中細(xì)胞往往呈現(xiàn)高密度堆疊和形態(tài)多樣的特征，精準(zhǔn)區(qū)分每個(gè)細(xì)胞實(shí)例的邊界與歸屬，是長(zhǎng)期困擾領(lǐng)域的核心挑戰(zhàn)。

然而，面對(duì)復(fù)雜的病理圖像數(shù)據(jù)，現(xiàn)有基于檢測(cè)、輪廓預(yù)測(cè)或距離映射的方法雖各有進(jìn)展，卻普遍存在核心局限，難以滿足臨床對(duì)高密度重疊場(chǎng)景的分析需求。

為此，上海科學(xué)智能研究院（下稱(chēng)上智院）與復(fù)旦大學(xué)、上海交通大學(xué)、臨港實(shí)驗(yàn)室等機(jī)構(gòu)聯(lián)合提出了首個(gè)鄰接感知的細(xì)胞實(shí)例分割框架（Disco）。該框架從細(xì)胞鄰接圖的拓?fù)浔举|(zhì)出發(fā)，通過(guò)「顯式標(biāo)記」與「隱式消歧」雙機(jī)制協(xié)同，實(shí)現(xiàn)了從特征學(xué)習(xí)到分割推理的全流程優(yōu)化。

實(shí)驗(yàn)表明，Disco 方法在四個(gè)異質(zhì)性數(shù)據(jù)集上平均性能提升達(dá) 2.72%，在高密度挑戰(zhàn)性場(chǎng)景中 PQ 指標(biāo)更是實(shí)現(xiàn) 7.08% 的顯著突破，為開(kāi)發(fā)高性能 AI 輔助病理分析工具開(kāi)辟了新路徑。

現(xiàn)有方法的兩大核心局限

既往細(xì)胞實(shí)例分割方法雖在特定場(chǎng)景取得進(jìn)展，但面向真實(shí)臨床病理圖像時(shí)，存在兩個(gè)關(guān)鍵短板：

一是缺乏全局拓?fù)浣?/strong>：主流方法依賴(lài)局部像素或幾何信息推斷細(xì)胞歸屬，卻忽視了細(xì)胞間的全局拓?fù)浼s束。檢測(cè)類(lèi)方法受限于邊界框表示和非極大值抑制的啟發(fā)式邏輯，在密集重疊場(chǎng)景易漏檢；輪廓類(lèi)方法對(duì)二值化閾值高度敏感，易出現(xiàn)欠分割或過(guò)分割；距離映射類(lèi)方法則依賴(lài)復(fù)雜后處理重構(gòu)實(shí)例，易導(dǎo)致誤差傳播。這些方法的決策本質(zhì)上是局部最優(yōu)，面對(duì)高密度細(xì)胞集群的全局復(fù)雜性時(shí)極易失效。

二是著色方案適配性不足：基于圖著色理論的新方法雖具備全局拓?fù)涓兄芰Γ嬖凇窯oldilocks 困境」：簡(jiǎn)單 2 色著色模型基于二分圖假設(shè)，無(wú)法處理真實(shí)細(xì)胞圖中普遍存在的奇環(huán)結(jié)構(gòu)；而 4 色著色等高階模型又會(huì)引入不必要的表征冗余和優(yōu)化難題，未能匹配真實(shí)細(xì)胞拓?fù)涞膹?fù)雜特性。

為解決這些問(wèn)題，研究團(tuán)隊(duì)從細(xì)胞鄰接拓?fù)浞治龊团R床病理需求雙重視角出發(fā)，構(gòu)建了 Disco 框架，實(shí)現(xiàn)從信號(hào)表征到分割推理的全流程優(yōu)化。該框架與病理分析的知識(shí)體系對(duì)齊，使得研究者不僅能獲得精準(zhǔn)的分割結(jié)果，更能通過(guò)沖突圖理解細(xì)胞拓?fù)鋸?fù)雜性，推動(dòng)病理 AI 分析更具可解釋性。

圖示：主流方法對(duì)比。

Disco的雙機(jī)制創(chuàng)新設(shè)計(jì)

Disco 框架以「分而治之」為核心原則，包含「顯式標(biāo)記」與「隱式消歧」兩大核心機(jī)制，形成從拓?fù)浞治龅椒指顑?yōu)化的完整技術(shù)閉環(huán)。

1. 顯式標(biāo)記：拓?fù)錄_突的結(jié)構(gòu)化建模

通過(guò)廣度優(yōu)先搜索（BFS）提取細(xì)胞鄰接圖中的最大二分子圖，將絕大多數(shù)簡(jiǎn)單結(jié)構(gòu)的細(xì)胞節(jié)點(diǎn)分為兩組，對(duì)應(yīng)兩種基礎(chǔ)顏色；同時(shí)將剩余構(gòu)成「沖突集群」的非二分結(jié)構(gòu)節(jié)點(diǎn)整合為沖突集，分配專(zhuān)屬?zèng)_突顏色。這種動(dòng)態(tài)適配策略既避免了 2 色著色的理論不足，又摒棄了高階著色的冗余，生成兼具效率與拓?fù)湫畔⒌谋O(jiān)督信號(hào)。

2. 隱式消歧：連續(xù)空間的特征分離

構(gòu)建解耦的約束損失系統(tǒng)，通過(guò)損失組件協(xié)同優(yōu)化，實(shí)現(xiàn)復(fù)雜場(chǎng)景下的實(shí)例清晰分離：

• 基礎(chǔ)損失：分別監(jiān)督前景、背景分割和多類(lèi)著色任務(wù)，確保細(xì)胞區(qū)域識(shí)別與標(biāo)記準(zhǔn)確性；
• 正則化損失：形成「推拉」機(jī)制，抑制二分區(qū)域的沖突顏色誤用，同時(shí)強(qiáng)化沖突區(qū)域的精準(zhǔn)預(yù)測(cè)；
• 鄰接約束損失：通過(guò)最小化相鄰細(xì)胞實(shí)例的特征余弦相似度，在連續(xù)特征空間強(qiáng)制實(shí)例分離，有效解決沖突節(jié)點(diǎn)間的二次沖突問(wèn)題。

圖示：Disco 雙機(jī)制設(shè)計(jì)。

在四大數(shù)據(jù)集上超越現(xiàn)有最優(yōu)方法

研究團(tuán)隊(duì)在 PanNuke、DSB2018、CryoNuSeg 及 GBC-FS 2025 四大異質(zhì)性數(shù)據(jù)集開(kāi)展系統(tǒng)評(píng)估，結(jié)果全面超越現(xiàn)有最優(yōu)方法（SOTA），展現(xiàn)出卓越的泛化能力與魯棒性：

平均性能顯著提升：在所有數(shù)據(jù)集上平均PQ指標(biāo)提升 2.72%，在高密度復(fù)雜場(chǎng)景中 PQ 提升達(dá) 7.08%，AJI 指標(biāo)達(dá)到52.09%，較 SOTA 實(shí)現(xiàn) 6.91% 的絕對(duì)提升，優(yōu)勢(shì)尤為突出；

全場(chǎng)景自適應(yīng)適配：在完全二分圖的簡(jiǎn)單場(chǎng)景中，自動(dòng)退化為高效2色著色模型，AJI 和 PQ 指標(biāo)均居首位；在高密度重疊的復(fù)雜場(chǎng)景中，仍能精準(zhǔn)分離緊密聚類(lèi)的細(xì)胞實(shí)例，實(shí)現(xiàn)全復(fù)雜度場(chǎng)景的高效覆蓋；

多模態(tài)高效兼容：在 H&E 染色、熒光成像等不同模態(tài)，以及不同組織類(lèi)型的數(shù)據(jù)集上均保持領(lǐng)先性能，適配臨床多樣化病理圖像需求；

此外，模型生成的「沖突圖」可直觀呈現(xiàn)不同組織區(qū)域的拓?fù)鋸?fù)雜性，為病理學(xué)家量化組織異質(zhì)性、識(shí)別關(guān)鍵病變區(qū)域提供了全新工具，間接提升了研究的臨床適配價(jià)值。

圖示：細(xì)胞拓?fù)浣Y(jié)構(gòu)分析。

核心組件的必要性驗(yàn)證

為驗(yàn)證 Disco 框架中各核心組件的貢獻(xiàn)，研究團(tuán)隊(duì)在高密度復(fù)雜場(chǎng)景下開(kāi)展系統(tǒng)消融實(shí)驗(yàn)，遵循控制變量原則量化各模塊貢獻(xiàn)：

拓?fù)浣５挠行裕杭?2 色著色基線模型 AJI 僅 37.85%，而 Disco 的顯式標(biāo)記策略通過(guò)沖突集建模，顯著提升了復(fù)雜結(jié)構(gòu)的處理能力；

鄰接約束損失的關(guān)鍵作用：?jiǎn)为?dú)加入鄰接約束損失即可使 PQ 指標(biāo)從 42.57% 提升至 48.26%，證明其在解決二次沖突、強(qiáng)化實(shí)例分離中的決定性作用；

動(dòng)態(tài)著色的優(yōu)勢(shì)：相較于靜態(tài) 3 色著色和 4 色著色方案，Disco 的「2+1」動(dòng)態(tài)策略避免了表征冗余，PQ 指標(biāo)分別領(lǐng)先 9.65% 和 7.08%，驗(yàn)證了其適配真實(shí)拓?fù)涞暮侠硇浴?/p>

這些實(shí)驗(yàn)從多個(gè)維度證實(shí)，顯式標(biāo)記與隱式消歧兩大核心機(jī)制協(xié)同發(fā)力，共同支撐了模型在各類(lèi)場(chǎng)景中的性能突破，尤其在高密度重疊場(chǎng)景中展現(xiàn)出不可替代的優(yōu)勢(shì)。

總結(jié)與展望

Disco 的成功，核心在于對(duì)病理場(chǎng)景本質(zhì)的深刻洞察與算法創(chuàng)新——通過(guò)精準(zhǔn)捕捉細(xì)胞鄰接拓?fù)涞暮诵奶卣鳎瑢?shí)現(xiàn)了對(duì)不同復(fù)雜度場(chǎng)景的自適應(yīng)高效處理。

首先，模型從細(xì)胞鄰接拓?fù)涞奈锢砼c生物學(xué)特性出發(fā)，揭示了真實(shí)細(xì)胞圖「近二分但富含沖突集群」的核心特征，使特征學(xué)習(xí)更貼合病理本質(zhì)；其次，通過(guò)動(dòng)態(tài)著色與約束損失系統(tǒng)，將模型流程與病理分析的邏輯深度對(duì)齊，在提升性能的同時(shí)顯著增強(qiáng)了結(jié)果的可解釋性；此外，其對(duì)高密度、噪聲場(chǎng)景的適應(yīng)能力，兼顧了效率與臨床實(shí)用性。與此同時(shí)，團(tuán)隊(duì)也同步開(kāi)源了 GBC-FS 2025 數(shù)據(jù)集與相關(guān)評(píng)測(cè)資源，為后續(xù)方法迭代與公平對(duì)比提供了統(tǒng)一基準(zhǔn)。

該研究不僅為細(xì)胞實(shí)例分割提供了新的技術(shù)路徑，也印證了 AI 醫(yī)療發(fā)展的關(guān)鍵方向——唯有將領(lǐng)域知識(shí)與人工智能技術(shù)深度融合，才能開(kāi)發(fā)出真正賦能臨床的實(shí)用工具。

展望未來(lái)，研究團(tuán)隊(duì)計(jì)劃將本框架擴(kuò)展至更多病理分析場(chǎng)景，包括多組織類(lèi)型適配、多模態(tài)病理數(shù)據(jù)融合等，為智能病理的落地持續(xù)注入新動(dòng)力。

論文信息：

該研究成果已被 ICLR 2026 接收。上智院實(shí)習(xí)生、復(fù)旦大學(xué)博士生孫瑞和上智院實(shí)習(xí)生、上海交通大學(xué)博士生楊逸文，為共同第一作者。上智院實(shí)習(xí)生郭凱與、徐東籬，上海交通大學(xué)附屬仁濟(jì)醫(yī)院博士生劉照南，上智院實(shí)習(xí)生、復(fù)旦大學(xué)博士生潘覃，復(fù)旦大學(xué)人工智能創(chuàng)新與產(chǎn)業(yè)研究院（下稱(chēng)復(fù)旦大學(xué) AI3 院）副院長(zhǎng)韓麗妹，復(fù)旦大學(xué)生醫(yī)工創(chuàng)新學(xué)院教授江雪，為共同作者。上智院生命科學(xué)方向負(fù)責(zé)人、復(fù)旦大學(xué) AI3 院研究員程遠(yuǎn)，臨港實(shí)驗(yàn)室研究員魏武，上智院生命科學(xué)方向研究員蔣晨，為共同通訊作者。

研究項(xiàng)目由星河啟智科學(xué)智能開(kāi)放平臺(tái)（https://aistudio.ai4s.com.cn/）和復(fù)旦大學(xué) CFFF 智算平臺(tái)提供技術(shù)和算力支持。

論文題目：Disco: Densely-overlapping Cell Instance Segmentation via Adjacency-aware Collaborative Coloring

論文地址：https://arxiv.org/abs/2602.05420

代碼地址：https://github.com/SR0920/Disco