基于扩散模型的数据增强用于细胞核图像分割
图像与视频处理
2024-01-22 v2 计算机视觉与模式识别
摘要
细胞核分割是组织病理图像定量分析中的一项基础但具有挑战性的任务。尽管基于全监督深度学习的方法已取得显著进展，但仍需要大量标注图像才能实现优异的分割性能。考虑到为数据集手动标注所有细胞核实例效率低下，获取大规模人工标注数据集耗时耗力。因此，仅利用少量标注图像对数据集进行增强以提升分割性能，具有重要的研究与应用价值。本文提出了首个用于细胞核分割的基于扩散模型的增强方法。其思路是合成大量带标注的图像以辅助训练分割模型。为此，我们提出一种两步策略。第一步，训练一个无条件扩散模型来合成细胞核结构，该结构定义为像素级语义与距离变换的表示。每个合成的细胞核结构将作为组织病理图像合成的约束，并进一步后处理为实例图。第二步，训练一个条件扩散模型，基于细胞核结构合成组织病理图像。合成的组织病理图像与合成的实例图配对后，将加入真实数据集用于训练分割模型。实验结果表明，通过用合成样本增强 10% 标注的真实数据集，可达到与全监督基线相当的分割结果。代码发布于：https://github.com/lhaof/Nudiff
引用
@article{arxiv.2310.14197,
title = {Diffusion-based Data Augmentation for Nuclei Image Segmentation},
author = {Xinyi Yu and Guanbin Li and Wei Lou and Siqi Liu and Xiang Wan and Yan Chen and Haofeng Li},
journal= {arXiv preprint arXiv:2310.14197},
year = {2024}
}
备注
MICCAI 2023, released code: https://github.com/lhaof/Nudiff