單次點擊即可分割細胞類型：無需訓練的群組互動細胞實例分割

研究論文提出一個創新的分割範式，稱為Group Prompting，旨在解決細胞實例分割在非分佈內細胞類型上的性能下降問題。傳統模型需要對每個實例進行提示，成本高昂，尤其在組織病理學圖像中包含數百至數千個密集實例時。本文介紹的Chain-of-Prompts (CoP) 框架，利用Segment Anything Model (SAM) 的凍結圖像編碼器在特徵空間中自然聚類相同類型細胞的特性，實現無需訓練的交互式分割。通過單次點擊per cell type，CoP能遞歸擴展提示，首先通過非參數閘門識別可靠位置，然後選擇最遠的空間點作為下一個提示以最大化覆蓋範圍。實驗結果顯示，在三個細胞類型標註基準上，單次點擊per type保持超過90%的per-instance性能，並超越全監督方法；在四個形態同質基準上，單次點擊保持超過99%的性能。這項研究為高效細胞分割提供了新途徑，有望在生物醫學影像分析中廣泛應用。