C-Norm：细胞分布归一化实现医学细胞图像的精准识别
一种名为C-Norm的新方法通过归一化TCT图像中的细胞分布，解决了AI在宫颈癌筛查中表现不佳的问题。该方法将异常和正常细胞解耦并重新合成，实现均匀分布，然后使用YOLOv12与DINOv3的混合架构进行检测。实验表明，该方法达到了最先进的性能。
宫颈癌是全球女性常见的恶性肿瘤之一，早期筛查对于降低发病率和死亡率至关重要。薄层液基细胞学检测（ThinPrep Cytologic Test, TCT）是目前广泛使用的筛查方法，但人工阅片耗时且不同病理学家诊断结果差异大。近年来，人工智能（AI）在医学图像分析领域取得显著进展，但现有AI检测模型在真实临床条件下表现不佳，主要受限于两个关键因素：TCT涂片中细胞空间分布不均，以及高质量标注细胞数据匮乏。
针对这些挑战，研究人员提出了一种名为“细胞分布归一化”（C-Norm）的新方法。该方法的核心思想是从原始TCT图像中分离异常细胞和正常细胞，然后重新合成新的图像，使得细胞分布均匀。这一过程有效缓解了因分布偏差导致的模型泛化能力下降。在此基础上，研究团队将YOLOv12框架与DINOv3模块相结合，构建了混合架构。YOLOv12具有强大的检测能力，而DINOv3则擅长提取精细的特征表示，两者协同可以捕捉TCT图像中细微的形态学差异，从而实现精准识别。
大量实验结果表明，C-Norm方法在多项指标上均达到最先进水平，显著优于主流检测算法。研究团队已在GitHub上公开了完整代码（https://github.com/ddw2AIGROUP2CQUPT/Cell-Norm），以促进相关领域的进一步研究。该论文于2026年7月14日提交至arXiv，作者包括Yang Qianl等8位研究者。这一工作为提升AI辅助宫颈癌筛查的准确性和可靠性提供了新的思路，有望推动计算机视觉在细胞病理学中的临床应用。