F2FLDM：结合组织病理学预训练嵌入的潜在扩散模型用于非配对冰冻切片到 FFPE 的转换
摘要
冰冻切片（Frozen Section, FS）技术是一种快速高效的方法，仅需 15-30 分钟即可制备供病理学家在手术中评估的切片，从而能够对进一步的手术干预做出即时决策。然而，FS 过程通常会引入诸如褶皱和冰晶效应等伪影和畸变。相比之下，质量更高的福尔马林固定石蜡包埋（formalin-fixed paraffin-embedded, FFPE）切片则不存在这些伪影和畸变，但其制备需要 2-3 天时间。虽然基于生成对抗网络（GAN）的方法已被用于将 FS 图像转换为 FFPE 图像（F2F），但它们可能会留下形态学不准确之处及残留的 FS 伪影，或者引入新的伪影，从而降低了这些转换结果在临床评估中的质量。在本研究中，我们对最近的生成模型进行了基准测试，重点关注 GANs 和潜在扩散模型，以克服这些局限性。我们引入了一种将 LDMs 与组织病理学预训练嵌入相结合的新方法，以增强 FS 图像的恢复。我们的框架利用以文本和预训练嵌入为条件的 LDMs，来学习 FS 和 FFPE 组织病理学图像的有意义特征。通过扩散和去噪技术，我们的方法不仅保留了颜色染色和组织形态等基本诊断属性，还提出了一种嵌入转换机制，以更好地预测输入 FS 图像的目标 FFPE 表示。因此，这项工作在分类性能上取得了显著提升，曲线下面积（Area Under the Curve）从 81.99% 提升至 94.64%，并伴随有利的 CaseFD。这项工作为 FS 到 FFPE 图像转换质量建立了新的基准，有望提高组织病理学 FS 图像分析的可靠性和准确性。我们的工作可在 https://minhmanho.github.io/f2f_ldm/ 获取。
引用
@article{arxiv.2404.12650,
title = {F2FLDM: Latent Diffusion Models with Histopathology Pre-Trained Embeddings for Unpaired Frozen Section to FFPE Translation},
author = {Man M. Ho and Shikha Dubey and Yosep Chong and Beatrice Knudsen and Tolga Tasdizen},
journal= {arXiv preprint arXiv:2404.12650},
year = {2024}
}
备注
Preprint. Our work is available at https://minhmanho.github.io/f2f_ldm/