CoP：每种细胞一次点击的免训练交互分割

在特定于细胞的数据集上训练的细胞实例分割模型在分布外的细胞类型上会遭受严重的性能下降，而交互式基础模型通过按实例提示克服了这一问题，但对于包含数百到数千个密集实例的组织病理学图像来说，其成本过于昂贵。我们引入了 \textbf{Group Prompting}，这是一种新范例，它将交互式分割从每个实例 $O(N)$ 转变为每个类型 $O(T)$，其中每种细胞类型单击一次就足以分割该类型的所有实例。我们的主要观察结果是，在给出任何提示之前，Segment Anything Model（SAM）的冻结图像编码器已经在其特征空间中对相同类型的细胞进行了聚类，并且这种聚类在没有任何训练的情况下适用于各种染色方式。利用这一特性，我们提出了 \textbf{Chain-of-Prompts (CoP)}，这是一个 无需训练 框架，它通过以下方式递归扩展单个用户点击：(1) 通过多尺度编码器特征的非参数门控识别可靠的同类型位置，以及 (2) 选择空间上最远的可靠点作为下一个提示以最大化覆盖范围。在 11 个基准测试中，CoP 无需任何调整即可推广到未见过的细胞类型和未见过的成像模态：只需单击每种类型，它就可以在三个细胞类型注释的数据集上保留超过 90% 的每个实例性能，同时超越完全监督的方法；只需每幅图像单击一次，它就可以在涵盖 H\&E 和非 H\&E 成像的 8 个数据集上保留超过 95% 的性能。项目页面：https://shjo-april.github.io/Chain-of-Prompts/