我们可以从组织病理图像生成骨细胞图像吗？一项实证研究

医学影像自动化因标注数据集的缺乏和专业人才的稀缺而颇具挑战性。近年来，深度学习技术已解决了一些复杂的医学影像任务，如疾病分类、重要对象定位、分割等。然而，这些任务都需要大量的标注数据才能成功实现。为缓解数据不足的困境，提出了不同的生成模型用于数据增强目的，以提升分类性能。为此，开发了各种合成医学图像数据生成模型以增加数据集。无配对图像到图像转换模型在此方面发挥作用，将源域转换为目标域。在乳腺恶性肿瘤识别领域，FNAC 是一种低成本、低侵入性的检查方式，通常被医师使用。但该领域的公开数据集极其有限。相反，自动化骨细胞图像的分割需要大量的标注数据。因此，通过将乳腺组织病理样本翻译为合成骨细胞图像来生成骨细胞图像。本研究探索了诸如 CycleGAN 和神经风格迁移等传统图像到图像转换模型。进一步观察到，所生成的骨细胞图像与真实的乳腺骨细胞样本在 FID 和 KID 分数上相当接近。