基于对比学习和轮廓引导U-Net的细胞核分割

针对细胞核分割中遇到的细胞核边缘模糊和重叠问题,提出一种基于对比学习和轮廓引导U-Net的细胞核分割方法.首先,为解决已标记数据不足的问题,提出全局和局部特征对比学习,利用未标记病理图像的全局特征和局部特征进行对比学习.然后,为提高U-Net的分割性能,提出轮廓引导的U-Net对每层编码器的轮廓特征进行融合,并利用融合后的轮廓特征和Jeffreys散度驱动的主动轮廓方法引导和辅助细胞核分割.最后,利用全局和局部特征对比学习与轮廓引导的U-Net进行交替训练,将置信度较高的未标记数据作为伪标签,混入到已标记数据中,再使用轮廓引导的U-Net进行分割训练.实验结果表明,该分割方法能够有效提高细胞核分割的准确性,具有较为稳定的分割性能.