DiffMix：基于扩散模型的数据合成用于不平衡病理图像数据集中的细胞核分割与分类
计算机视觉与模式识别
2023-06-27 v1
摘要
细胞核分割与分类是病理图像分析中的重要环节。基于深度学习的方法极大提升了该任务的准确性。然而，这些方法受困于细胞核数据构成的不平衡性，在罕见细胞核类别上表现出较低的分类性能。本文提出一种利用扩散模型的真实数据合成方法。我们生成两类虚拟图像块以扩充训练数据分布，一类用于平衡细胞核类别差异，另一类用于增加观测多样细胞核的机会。随后，我们使用语义标签条件扩散模型生成真实且高质量的图像样本。我们在两个不平衡细胞核数据集上的实验结果证明了本方法的有效性，提升了对最先进网络的性能。实验结果表明，所提方法提升了罕见类型细胞核分类的性能，同时在不平衡病理细胞核数据集上展现出优越的分割与分类性能。
引用
@article{arxiv.2306.14132,
title = {DiffMix: Diffusion Model-based Data Synthesis for Nuclei Segmentation and Classification in Imbalanced Pathology Image Datasets},
author = {Hyun-Jic Oh and Won-Ki Jeong},
journal= {arXiv preprint arXiv:2306.14132},
year = {2023}
}
备注
MICCAI 2023 accepted