DiffInfinite：基于并行随机块扩散的组织病理学大尺度掩码-图像合成
图像与视频处理
2023-10-26 v2 计算机视觉与模式识别
机器学习
摘要
我们提出 DiffInfinite，一种分层扩散模型，可生成任意大的组织学图像，同时保留长程相关结构信息。我们的方法首先生成合成分割掩码，随后用作高保真生成扩散过程的条件。所提出的采样方法可扩展到任意所需图像尺寸，同时仅需小块进行快速训练。此外，与以往大内容生成方法相比，它可更高效地并行化，且避免拼接伪影。训练利用无分类器引导，以未标注数据增强一个小型、稀疏标注的数据集。我们的方法缓解了组织病理成像实践中的独特挑战：大规模信息、昂贵的人工标注以及保护性数据处理。DiffInfinite 数据的生物学合理性通过十位资深病理学家的调查以及下游分类与分割任务进行评估。来自该模型的样本在反复制指标上得分很高，这与患者数据保护相关。
引用
@article{arxiv.2306.13384,
title = {DiffInfinite: Large Mask-Image Synthesis via Parallel Random Patch Diffusion in Histopathology},
author = {Marco Aversa and Gabriel Nobis and Miriam Hägele and Kai Standvoss and Mihaela Chirica and Roderick Murray-Smith and Ahmed Alaa and Lukas Ruff and Daniela Ivanova and Wojciech Samek and Frederick Klauschen and Bruno Sanguinetti and Luis Oala},
journal= {arXiv preprint arXiv:2306.13384},
year = {2023}
}