DISC：基于分离条件自蒸馏的潜在扩散模型用于前列腺癌分级
图像与视频处理
2024-04-23 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
潜在扩散模型（LDMs）可以从噪声中生成高保真图像，为增强用于训练癌症分级模型的组织病理学图像提供了一种有前景的方法。虽然以前的工作使用 LDMs 成功生成了高保真的组织病理学图像，但生成图像切片以改善前列腺癌分级尚未被探索。此外，当以切片掩码为条件时，LDMs 在准确生成切片中多个癌症等级的混合物方面面临挑战。在本研究中，我们通过利用输入切片中的像素级标注，训练特定的 LDMs 来生成包含多个 Gleason 分级（GGs）的合成切片。我们引入了一个名为分离条件自蒸馏（DISC）的新框架，该框架在 GG 掩码的引导下生成 GG 模式。最后，我们部署了一个用于像素级和切片级前列腺癌分级的训练框架，其中合成切片被有效利用以提高现有模型的癌症分级性能。因此，这项工作在两个方面超越了以前的工作：1）我们用 DISC 增强的 LDMs 在 GG 模式方面产生了更准确的切片；2）我们的训练方案结合了合成数据，显著提高了基线模型在前列腺癌分级上的泛化能力，特别是在罕见的 GG5 的挑战性病例中，证明了生成模型在数据有限时增强癌症分级的潜力。
引用
@article{arxiv.2404.13097,
title = {DISC: Latent Diffusion Models with Self-Distillation from Separated Conditions for Prostate Cancer Grading},
author = {Man M. Ho and Elham Ghelichkhan and Yosep Chong and Yufei Zhou and Beatrice Knudsen and Tolga Tasdizen},
journal= {arXiv preprint arXiv:2404.13097},
year = {2024}
}
备注
Abstract accepted for ISBI 2024. Extended version to be presented at SynData4CV @ CVPR 2024. See more at https://minhmanho.github.io/disc/