PathoPainter：通过肿瘤感知式填充增强组织病理切片分割
计算机视觉与模式识别
2025-03-07 v1
摘要
肿瘤分割在组织病理学中发挥着关键作用，但需要由病理学家注释的高成本、精细的人工标注图像-掩码对。因此，合成组织病理数据以扩充数据集显然是理想的选择。以往方法在图像-掩码对的准确性和多样性方面存在不足，这会影响小规模数据集和组织病理图像固有的复杂性上的分割训练。为此，我们提出了 PathoPainter，通过肿瘤填充任务重新构建图像-掩码对的生成。具体而言，我们的方法在填充肿瘤区域的同时保持背景不变，从而确保生成的图像与其相应掩码之间的精确对齐。为在保持生物学合理性的同时提高数据集的多样性，我们采用一种条件肿瘤填充的采样机制，该机制基于来自不同图像的区域嵌入。此外，我们引入一种过滤策略，用于排除不确定的合成区域，进一步提高生成数据的质量。我们的全面评估涵盖多个数据集，包含多种肿瘤类型和各种训练数据规模。结果表明，我们的合成数据显著提升了分割性能，超过了现有的分割数据合成方法，例如在 CAMELYON16 上实现 75.69% -> 77.69%。代码已公开于 https://github.com/HongLiuuuuu/PathoPainter。
引用
@article{arxiv.2503.04634,
title = {PathoPainter: Augmenting Histopathology Segmentation via Tumor-aware Inpainting},
author = {Hong Liu and Haosen Yang and Evi M. C. Huijben and Mark Schuiveling and Ruisheng Su and Josien P. W. Pluim and Mitko Veta},
journal= {arXiv preprint arXiv:2503.04634},
year = {2025}
}
备注
10 pages, 3 figures