HistoSmith：基于条件潜在扩散的单阶段组织学图像-标签生成以提升细胞分割与分类
计算机视觉与模式识别
2025-02-14 v1 人工智能
摘要
精确的细胞实例分割与分类是分析组织微环境、支持医疗诊断、预后、治疗计划以及脑神经胚质结构研究的关键。然而，创建高质量标注数据集以训练模型 remains a major challenge。本研究引入一种新型单阶段方法(HistoSmith)，用于生成图像-标签对以扩充组织学数据集。不同于当前采用扩散模型并使用单独组件进行标签与图像生成的方法，本方法利用潜在扩散模型学习细胞布局、分类掩码与组织学图像的联合分布。该模型可通过条件于用户定义参数（如细胞类型、数量和组织类型）实现定制化数据生成。在Conic H&E组织病理数据集和Nissl染色CytoDArk0数据集上训练后，模型生成逼真且多样化的带标注样本。实验结果表明，细胞实例分割与分类性能得到提升，尤其是针对Conic数据集中欠代表样本（如中性粒细胞）的分类效果显著改善。这些发现凸显了该方法在解决数据稀缺挑战方面的潜力。
引用
@article{arxiv.2502.08754,
title = {HistoSmith: Single-Stage Histology Image-Label Generation via Conditional Latent Diffusion for Enhanced Cell Segmentation and Classification},
author = {Valentina Vadori and Jean-Marie Graïc and Antonella Peruffo and Livio Finos and Ujwala Kiran Chaudhari and Enrico Grisan},
journal= {arXiv preprint arXiv:2502.08754},
year = {2025}
}