用于增强数字病理学的深度伪造组织学图像

对来自 FFPE 组织块的玻璃载玻片上制备的薄切染色组织进行光学显微镜检查是组织诊断的金标准。此外，任何病理学家的诊断能力与专业知识都依赖于其对常见及较罕见变异形态的直观经验。近来，深度学习方法已成功用于此类任务并展现出高准确度。然而，获取专家级标注图像是一项昂贵且耗时的任务，而人工合成的组织学图像可证明极为有益。在此，我们提出一种方法，不仅能生成再现常见疾病诊断形态学特征的组织学图像，还赋予用户生成全新及罕见形态的能力。我们的方法包括开发一个生成对抗网络(generative adversarial network, GAN)模型，该模型合成受类别标签约束的病理图像。我们研究了该框架合成真实前列腺与结肠组织图像的能力，并评估了这些图像在增强机器学习方法诊断能力以及经验丰富的解剖病理学家使用方面的效用。我们的框架生成的合成数据在训练深度学习诊断模型时表现与真实数据相似。病理学家无法区分真实与合成图像，且在前列腺癌分级上表现出相似的观察者间一致性水平。我们将该方法扩展到显著更复杂的结肠活检图像，并表明此类组织中的复杂微环境亦可被再现。最后，我们展示了用户通过简单标记语义标签来生成深度伪造组织学图像的能力。