PriorPath：用于受控去 novo 病理语义掩码生成的粗到细方法
图像与视频处理
2024-12-04 v2 计算机视觉与模式识别
摘要
将人工智能融入数字病理学为自动化和增强图像分析和诊断过程提供了广阔前景。然而，组织样本的多样性以及对细致图像标注的必要性常常导致偏差数据集，从而限制了在其上训练的算法的适用性。为弥补这一挑战，有必要不仅产生逼真的图像，还能够对所描绘的细胞特征施加控制。以往的研究使用方法从随机噪声生成语义掩码，以捕捉组织的空间分布。然后将这些掩码用作条件生成方法的先验，以产生逼真的病理图像。然而，像许多其他生成模型一样，这一解决方案会出现模式坍缩，模型未能捕捉 underlying 数据分布的完整多样性。本文提出了一个称为PriorPath的管道，用于从粗粒度图像中生成细致、真实的语义掩码，以组织区域为界。该方法使我们能够控制生成掩码的空间布局，从而控制最终生成的合成图像。我们在三个癌症类型（皮肤、前列腺和肺部）上展示了该方法的有效性，凸显了PriorPath的能力能够覆盖语义掩码空间并提供比以前方法更接近真实掩码的相似性。该方法允许指定所需的组织分布并在单个平台上获得逼真的掩码和图像，从而为计算病理学的人工智能提供一种最先进的、可控的病理图像生成解决方案。
引用
@article{arxiv.2411.16515,
title = {PriorPath: Coarse-To-Fine Approach for Controlled De-Novo Pathology Semantic Masks Generation},
author = {Nati Daniel and May Nathan and Eden Azeroual and Yael Fisher and Yonatan Savir},
journal= {arXiv preprint arXiv:2411.16515},
year = {2024}
}