NuSegDG：融合异构空间与高斯核的域泛化细胞核分割

基于摘要分析。该研究针对不同成像条件、细胞类型和染色策略下的细胞核分割域泛化问题，提出基于 Segment Anything Model（SAM）的 NuSegDG，目标是在未见域上实现细胞核实例分割，同时减少逐对象手工框提示及形态学细化的负担。研究对象是细胞核图像，而非 EEG 或 BCI 信号。 方法包含三个模块：Heterogeneous Space Adapter（HS-Adapter）向 SAM 图像编码器注入少量可训练参数，以学习不同细胞核域的多维特征表示；Gaussian-Kernel Prompt Encoder（GKP-Encoder）生成由单点驱动的密度图，融合位置提示与语义提示来引导分割；Two-Stage Mask Decoder（TSM-Decoder）将语义掩码转换为实例图，旨在避免手工形态学形状细化。摘要未说明单点提示的获取方式，因此不能将其理解为完全自动或无提示分割。 作者报告，NuSegDG 在所评估的细胞核实例分割实验中取得最先进性能并表现出较强域泛化能力；但摘要未提供数据集、源域与目标域划分、对照方法、具体指标或数值，尚不能核对优势幅度及适用边界。实验协议、消融及统计信息尚未验证，尤其需核对三个模块的独立贡献、提示条件的一致性与未见域的定义。 材料提供了源码地址，但代码可运行性、预训练权重、训练配置及数据准备要求尚未验证。该方案依赖图像空间结构、点提示与实例掩码输出，现有材料不足以建立其与 EEG 解码瓶颈的具体机制对应，因此不据此提出 BCI 迁移效果或复现实验建议。