C2RM-Seg：利用结构语义先验进行因果反事实推理，用于弱监督的组织病理学组织分割

组织病理学组织分割对于计算机辅助诊断至关重要，但弱监督方法经常受到类激活映射 (CAM) 生成的嘈杂伪标签的影响。现有的 CAM 方法往往侧重于染色驱动的外观线索，而不是真正的因果组织形态，从而导致虚假定位和结构一致性差。为了解决这个问题，我们提出了 C$^2$RM-Seg，这是一个两阶段框架，它将因果伪标签细化与结构感知语义增强相结合。对于分类，我们引入了因果反事实推理模块（C$^2$RM），该模块将特征分解为潜在因素，并通过学习的因果结构矩阵进行反事实干预，抑制混淆上下文并生成形态对齐的 CAM。对于分割，我们设计了一种双路径结构语义架构，它将 ResNeSt 的细粒度结构特征与冻结的 DINOV3 基础模型的全局语义先验相结合。跨路径门控机制使用局部结构线索自适应地调节语义注入，以保持边界保真度。为了进一步减轻残留伪标签噪声，我们提出了不确定性门控裕度（UGM）损失，它根据预测不确定性动态平衡裕度执行和置信度学习。对两个公共组织病理学组织数据集的广泛实验表明，C$^2$RM-Seg 实现了最先进的性能。