利用深度生成网络进行亚型平衡以改善HER2肿瘤分割
图像与视频处理
2024-03-22 v1 计算机视觉与模式识别
摘要
组织病理学图像中的肿瘤分割常因其由不同组织学亚型组成及类别不平衡而变得复杂。对具有低流行率特征的亚型进行过采样并非令人满意的解决方案，因为这最终会导致过拟合。我们提出使用语义条件深度生成网络创建合成图像，并将亚型平衡的合成图像与原始数据集结合以实现更好的分割性能。我们展示了生成对抗网络（GANs）尤其是扩散模型基于亚型条件为HER2染色组织病理学的用例创建逼真图像的适用性。此外，我们展示了扩散模型以修改后亚型对HER2肿瘤区域进行条件修复的能力。将原始数据集与等量的扩散生成图像结合，将肿瘤Dice分数从0.833提高到0.854，并几乎将HER2亚型召回率之间的方差减半。这些结果为更可靠的自动HER2分析奠定了基础，其在各HER2亚型间具有更低的性能方差。
引用
@article{arxiv.2211.06150,
title = {Improved HER2 Tumor Segmentation with Subtype Balancing using Deep Generative Networks},
author = {Mathias Öttl and Jana Mönius and Matthias Rübner and Carol I. Geppert and Jingna Qiu and Frauke Wilm and Arndt Hartmann and Matthias W. Beckmann and Peter A. Fasching and Andreas Maier and Ramona Erber and Katharina Breininger},
journal= {arXiv preprint arXiv:2211.06150},
year = {2024}
}
备注
5 pages, 6 figures