模型背景
在细胞核分割领域，早期的研究主要依赖于 基于形状模型 和 基于图割 的方法。这些传统方法虽然能在一定程度上解决问题，但存在显著局限性：
-
基于形状模型的方法需要预先定义形状模板，难以适应多样化的细胞核形态；
-
基于图割的方法虽能较好处理重叠细胞核，但计算复杂度高，运行效率低。
近年来，随着深度学习技术的进步， 基于卷积神经网络(CNN) 的方法逐渐成为主流。这类方法通过训练神经网络学习细胞核特征，实现了更高精度和更强鲁棒性的分割效果。然而，CNN方法仍面临挑战，特别是在处理密集和重叠细胞核场景时表现欠佳。
为克服这些限制，研究人员提出了各种创新方案，如改进网络架构、设计特定损失函数等。这些努力推动了细胞核分割技术的不断发展，为CPP-Net等新型模型的出现奠定了基础。
核心思想
CPP-Net的核心思想体现在以下几个方面：
-
点集采样策略 ：为克服仅依靠质心像素预测距离信息的局限性，CPP-Net采用点集采样策略，在每个细胞核内随机采样多个点作为输入。这一创新大大增强
