近日，广西图像图形与智能处理实验室蓝如师教授、潘细朋教授团队在计算机视觉与模式识别领域国际顶级会议《IEEE/CVF Conference on Computer Vision and Pattern Recognition》（CVPR）上发表题为“Bridging RGB and Hematoxylin Components: An Interleaved Guidance and Fusion Framework for Point Supervised Nuclei Segmentation”的学术论文。硕士研究生还子涵为论文第一作者，蓝如师、潘细朋为共同通讯作者，我校为论文第一完成单位。CVPR是中国计算机学会（CCF）推荐的A类国际学术会议。

该研究聚焦组织病理图像细胞核分割中像素级标注成本高昂，以及现有点监督方法难以充分挖掘不同图像表征间互补信息等关键问题，提出了一种面向点监督细胞核分割的交错引导与融合框架DFGNet。该框架通过联合建模原始RGB图像与苏木精分量，在有限标注条件下提升细胞核区域识别与实例分割性能。

具体而言，DFGNet构建了双分支互补学习机制。互惠跨尺度动态融合模块在不同尺度间充分交互RGB图像中的组织上下文信息与苏木精分量中的细胞核显著性线索；交错点引导注意力机制利用点标注，在分割任务与细胞核预测任务之间实现双向引导，使两类任务相互校正并逐步优化特征表示；熵置信聚合单元则依据双分支预测的不确定性，自适应融合不同表征的输出，从而获得更加准确、可靠的细胞核分割结果。

在三个公开组织病理学细胞核分割基准上的实验结果表明，DFGNet在多项评价指标上优于现有点监督细胞核分割方法，展现出较高的分割精度和较强的实例区分能力。同时，该方法在不同组织类型及标注扰动条件下仍保持良好的稳定性与泛化性能，表明RGB表征与苏木精分量之间的互补建模能够有效缓解弱监督信号不足带来的性能限制。细胞核的数量、形态及空间分布是病理诊断、肿瘤分级和组织微环境分析的重要依据。该研究不仅为低成本标注条件下的病理图像细胞核定量分析提供了新的技术路径，也为弱监督计算病理模型的临床应用与规模化推广提供了有力支撑。代码链接：https://github.com/Hhhhzh/Weakly-nuclei-segmentation。

方法图

实验的可视化结果