Teacher-Student Model for Detecting and Classifying Mitosis in the MIDOG 2025 Challenge
作者: Seungho Choe, Xiaoli Qin, Abubakr Shafique, Amanda Dy, Susan Done, Dimitrios Androutsos, April Khademi
分类: cs.CV, cs.AI
发布日期: 2025-09-03
备注: 4 pages, 1 figures, final submission for MIDOG 2025 challenge
💡 一句话要点
提出基于Teacher-Student模型的有丝分裂检测与分类方法，提升领域泛化性。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 有丝分裂检测 领域泛化 Teacher-Student模型 对比表示学习 领域对抗训练 多任务学习 病理图像分析
📋 核心要点
- 现有有丝分裂检测方法易受领域偏移影响，在不同器官、物种和染色协议下性能下降，且数据不平衡问题突出。
- 提出Teacher-Student模型，通过对比表示学习、领域对抗训练和伪标签生成，增强特征区分和领域泛化能力。
- 实验结果表明，该方法在有丝分裂检测和非典型有丝分裂分类任务中均取得了较好的F1分数和平衡准确率。
📝 摘要（中文）
病理学家对有丝分裂图像的计数耗时且存在观察者间差异。人工智能有望通过自动检测有丝分裂图像并保持决策一致性来解决此问题。然而，人工智能工具容易受到领域偏移的影响，由于训练集和测试集之间的差异（包括器官、物种的形态多样性和染色协议的变化）可能导致性能显著下降。此外，有丝分裂的数量远小于正常细胞核的数量，这为检测任务引入了严重的不平衡数据。本文将有丝分裂检测形式化为像素级分割，并提出了一种teacher-student模型，该模型同时解决了有丝分裂检测（Track 1）和非典型有丝分裂分类（Track 2）。我们的方法基于UNet分割骨干网络，集成了领域泛化模块，即对比表示学习和领域对抗训练。采用teacher-student策略来生成像素级伪掩码，不仅用于带注释的有丝分裂和难负样本，还用于正常细胞核，从而增强特征区分并提高对领域偏移的鲁棒性。对于分类任务，我们引入了一种多尺度CNN分类器，该分类器利用分割模型中的特征图，采用多任务学习范式。在初步测试集上，该算法在Track 1中实现了0.7660的F1分数，在Track 2中实现了0.8414的平衡准确率，证明了将基于分割的检测和分类集成到统一框架中以进行稳健的有丝分裂分析的有效性。
🔬 方法详解
问题定义：论文旨在解决病理图像中有丝分裂的自动检测与分类问题。现有方法在面对不同数据集（器官、物种、染色协议）时，由于领域偏移导致性能显著下降。此外，有丝分裂细胞数量远少于正常细胞，造成数据不平衡，影响检测精度。
核心思路：论文的核心思路是利用Teacher-Student模型，结合领域泛化技术和伪标签生成，提升模型在不同领域数据集上的鲁棒性和泛化能力。Teacher模型指导Student模型学习，同时利用正常细胞核的伪标签，缓解数据不平衡问题。
技术框架：整体框架包含两个主要部分：基于UNet的分割模型和多尺度CNN分类器。分割模型负责像素级别的有丝分裂检测，集成了对比表示学习和领域对抗训练模块。分类器利用分割模型的特征图进行非典型有丝分裂分类，采用多任务学习范式，同时优化分割和分类任务。Teacher-Student策略应用于分割模型，生成像素级伪标签。
关键创新：最重要的技术创新点在于Teacher-Student模型与领域泛化技术的结合。通过对比表示学习和领域对抗训练，模型能够学习到领域不变的特征表示，从而提高在不同数据集上的泛化能力。利用正常细胞核的伪标签，缓解了数据不平衡问题，提升了检测精度。
关键设计：分割模型采用UNet作为骨干网络，并加入了对比表示学习和领域对抗训练模块。对比表示学习通过拉近同类样本的距离，推远不同类样本的距离，增强特征的区分性。领域对抗训练通过对抗学习，使模型学习到领域不变的特征表示。Teacher模型生成伪标签，指导Student模型学习。分类器采用多尺度CNN，利用不同尺度的特征图进行分类。
🖼️ 关键图片
📊 实验亮点
该算法在MIDOG 2025挑战赛的初步测试集上取得了显著成果。在有丝分裂检测（Track 1）中，F1分数为0.7660；在非典型有丝分裂分类（Track 2）中，平衡准确率为0.8414。这些结果表明，该方法在有丝分裂检测和分类任务中具有良好的性能。
🎯 应用场景
该研究成果可应用于病理诊断辅助系统，帮助病理学家快速、准确地检测和分类有丝分裂图像，减少人工阅片的工作量和主观差异，提高诊断效率和准确性。未来可扩展到其他医学图像分析任务，如肿瘤检测、细胞计数等。
📄 摘要（原文）
Counting mitotic figures is time-intensive for pathologists and leads to inter-observer variability. Artificial intelligence (AI) promises a solution by automatically detecting mitotic figures while maintaining decision consistency. However, AI tools are susceptible to domain shift, where a significant drop in performance can occur due to differences in the training and testing sets, including morphological diversity between organs, species, and variations in staining protocols. Furthermore, the number of mitoses is much less than the count of normal nuclei, which introduces severely imbalanced data for the detection task. In this work, we formulate mitosis detection as a pixel-level segmentation and propose a teacher-student model that simultaneously addresses mitosis detection (Track 1) and atypical mitosis classification (Track 2). Our method is based on a UNet segmentation backbone that integrates domain generalization modules, namely contrastive representation learning and domain-adversarial training. A teacher-student strategy is employed to generate pixel-level pseudo-masks not only for annotated mitoses and hard negatives but also for normal nuclei, thereby enhancing feature discrimination and improving robustness against domain shift. For the classification task, we introduce a multi-scale CNN classifier that leverages feature maps from the segmentation model within a multi-task learning paradigm. On the preliminary test set, the algorithm achieved an F1 score of 0.7660 in Track 1 and balanced accuracy of 0.8414 in Track 2, demonstrating the effectiveness of integrating segmentation-based detection and classification into a unified framework for robust mitosis analysis.