跨域无监督预训练模型

少样本细胞分割

把目标检测和实例分割能力从自然图像迁移到细胞影像，仅需少量标注即可达到高精度。

Liao, Weibin · Li, Xuhong · Wang, Qingzhong · Xu, Yanwu · Zhaozhen, Yin · 熊昊一

Information Fusion 2026

参数信息

平均精度

41.6 %

平均精度提升

10.5 %

平均精度

39.6 %

平均精度

8.3 %

技术优势

标注需求大幅降低

只需5%的标注图像即可达到高精度，显著减少人工标注工作量。

跨域泛化能力强

在BBBC038外部数据集上表现稳定，超出基线10.5%，证明方法对不同细胞影像的适应性。

少样本性能显著领先

相比COCO预训练和MoCo方法，CUPre在APbbox上分别高出2.0和33.3个百分点，优势明显。

应用场景

• 类器官图像分析：用少量标注即可分割类器官图像，加速表型筛选与分析。
• 生物图像分析：为生物图像提供高精度少样本分割，减少人工标注负担。
• 医疗影像自动分割：在医疗影像中实现自动分割，降低对大量标注数据的依赖。
• 具身智能视觉感知：提升视觉感知在少样本条件下的适应性，可用于机器人细胞操作。