DEPAS：使用生成模型从头生成病理语义掩码
图像与视频处理
2023-02-14 v1 计算机视觉与模式识别
机器学习
摘要
人工智能在数字病理学中的集成有潜力自动化并改进各种任务，如图像分析和诊断决策。然而，组织固有的变异性，加上图像标注的需求，导致了有偏数据集，限制了在其上训练的算法的泛化能力。针对这一挑战的新兴解决方案之一是合成组织学图像。然而，对真实数据集去偏不仅要求生成照片级真实图像，还需能控制其中的特征。一种常见方法是使用生成方法，在反映组织先验知识的语义掩码与组织学图像之间进行图像翻译。但是，与其他图像域不同，组织复杂的结构阻碍了简单创建作为图像翻译模型输入所需组织学语义掩码，而从真实图像提取的语义掩码降低了该过程的可扩展性。本工作中，我们引入了一种可扩展的生成模型DEPAS，其捕捉组织结构并生成具有最先进质量的高分辨率语义掩码。我们展示了DEPAS为三种器官（皮肤、前列腺和肺）生成真实组织语义图的能力。此外，我们表明这些掩码可使用生成式图像翻译模型进行处理，以两种不同染色技术生成两类癌症的照片级真实组织学图像。最后，我们利用DEPAS生成捕捉不同细胞类型分布的多标签语义掩码，并用其生成具有按需细胞特征的组织学图像。总体而言，我们的工作为以可扩展方式控制语义信息生成合成组织学图像这一挑战性任务提供了最先进的解决方案。
引用
@article{arxiv.2302.06513,
title = {DEPAS: De-novo Pathology Semantic Masks using a Generative Model},
author = {Ariel Larey and Nati Daniel and Eliel Aknin and Yael Fisher and Yonatan Savir},
journal= {arXiv preprint arXiv:2302.06513},
year = {2023}
}