Disco: 인접성 인지 협력 색상화를 통한 밀집 오버랩 세포 인스턴스 분할

Disco: Densely-overlapping Cell Instance Segmentation via Adjacency-aware Collaborative Coloring

정확한 세포 인스턴스 분할은 디지털 병리학 분석의 기본입니다. 윤곽선 감지 및 거리 매핑을 기반으로 하는 기존 방법은 여전히 복잡하고 밀집된 세포 영역을 처리하는 데 상당한 어려움을 겪습니다. 그래프 색상화를 기반으로 하는 방법은 이 작업에 대한 새로운 패러다임을 제공하지만, 밀집된 오버랩과 복잡한 토폴로지를 가진 실제 시나리오에서 이러한 패러다임의 효과는 검증되지 않았습니다. 이 문제를 해결하기 위해, 우리는 매우 복잡하고 밀집된 세포 핵 배열을 포함하는 대규모 데이터셋 GBC-FS 2025을 공개합니다. 우리는 네 가지 다양한 데이터셋에 걸쳐 세포 인접 그래프의 색상 특성에 대한 최초의 체계적인 분석을 수행하고 중요한 사실을 발견했습니다. 즉, 대부분의 실제 세포 그래프는 이분 그래프가 아니며, 홀수 길이 사이클(주로 삼각형)이 매우 흔합니다. 이는 간단한 2색 이론으로는 복잡한 조직을 처리하기에 충분하지 않으며, 더 높은 색상성을 가진 모델은 표현적 중복성과 최적화 문제를 야기합니다. 이러한 복잡한 실제 환경에 대한 관찰을 바탕으로, 우리는 "분할 정복" 원칙에 기반한 인접성 인지 프레임워크인 Disco(Densely-overlapping Cell Instance Segmentation via Adjacency-aware COllaborative Coloring)를 제안합니다. Disco는 독특하게 데이터 기반의 토폴로지 라벨링 전략과 제약 조건이 있는 딥 러닝 시스템을 결합하여 복잡한 인접성 충돌을 해결합니다. 첫째, "명시적 마킹" 전략은 세포 그래프를 재귀적으로 분해하고 "충돌 집합"을 격리함으로써 토폴로지 문제를 학습 가능한 분류 작업으로 변환합니다. 둘째, "암시적 구별" 메커니즘은 충돌 영역의 모호성을 해결하기 위해 서로 다른 인스턴스 간의 특징 불일치를 적용하여 모델이 분리 가능한 특징 표현을 학습할 수 있도록 합니다.

Accurate cell instance segmentation is foundational for digital pathology analysis. Existing methods based on contour detection and distance mapping still face significant challenges in processing complex and dense cellular regions. Graph coloring-based methods provide a new paradigm for this task, yet the effectiveness of this paradigm in real-world scenarios with dense overlaps and complex topologies has not been verified. Addressing this issue, we release a large-scale dataset GBC-FS 2025, which contains highly complex and dense sub-cellular nuclear arrangements. We conduct the first systematic analysis of the chromatic properties of cell adjacency graphs across four diverse datasets and reveal an important discovery: most real-world cell graphs are non-bipartite, with a high prevalence of odd-length cycles (predominantly triangles). This makes simple 2-coloring theory insufficient for handling complex tissues, while higher-chromaticity models would cause representational redundancy and optimization difficulties. Building on this observation of complex real-world contexts, we propose Disco (Densely-overlapping Cell Instance Segmentation via Adjacency-aware COllaborative Coloring), an adjacency-aware framework based on the "divide and conquer" principle. It uniquely combines a data-driven topological labeling strategy with a constrained deep learning system to resolve complex adjacency conflicts. First, "Explicit Marking" strategy transforms the topological challenge into a learnable classification task by recursively decomposing the cell graph and isolating a "conflict set." Second, "Implicit Disambiguation" mechanism resolves ambiguities in conflict regions by enforcing feature dissimilarity between different instances, enabling the model to learn separable feature representations.