近日，广西图像图形与智能处理实验室蓝如师教授团队在图像处理领域国际顶级期刊IEEE Transactions on Image Processing（中科院一区Top、CCF A类期刊，IF: 15.7）上发表题为“Long-Tailed and Inter-Class Homogeneity Matters in Multi-Class Weakly Supervised Tissue Segmentation of Histopathology Images”的学术论文。学院2025级博士研究生俸思洋为第一作者，蓝如师教授为通讯作者。

该研究指出，现有弱监督组织病理图像分割方法主要依赖类别激活图生成伪掩码，但在真实病理场景中，不同组织类别往往存在显著的长尾分布和类间同质性问题。一方面，淋巴细胞、坏死等非优势类别样本数量较少，模型容易偏向肿瘤上皮、基质等优势类别；另一方面，不同组织在染色颜色、纹理形态和空间分布上高度相似，进一步增加了类别区分难度。针对上述问题，团队提出了面向长尾分布与类间同质性的弱监督组织分割框架 LoHo。该框架包含扩散式数据生成、特征重校准和难样本跳级学习三个核心模块，分别用于扩展少数类别的数据分布、平衡 CAM 特征空间中的类别响应，并在分割阶段强化对困难样本和噪声伪标签的鲁棒学习能力，从而提升复杂病理组织区域及少数类别的分割精度。

在 LUAD-HistoSeg 和 BCSS-WSSS 两个多类别组织病理图像数据集上的实验结果表明，LoHo 能够有效缓解长尾类别识别不足和类间混淆问题，取得优于多种先进弱监督分割方法的性能表现。消融实验进一步验证了扩散式数据生成、特征重校准和难样本跳级学习三个模块的有效性与互补性。该研究不仅为弱监督病理组织分割提供了新的技术路径，也为肿瘤微环境量化分析、病理辅助诊断和病理大数据智能处理提供了重要支撑。

模型结构图