语义与视觉裁剪引导的扩散模型用于组织病理学中异质组织合成

组织病理学中的合成数据生成面临独特的挑战：保持组织异质性、捕捉细微形态特征以及扩展到未标注数据集。我们提出了一种潜在扩散模型，通过一种新颖的双条件方法生成逼真的异质组织病理学图像，该方法结合语义分割图与组织特异性视觉裁剪。与依赖文本提示或抽象视觉嵌入的现有方法不同，我们的方法通过直接纳入来自对应语义区域的原始组织裁剪来保留关键的形态细节。对于已标注数据集（即Camelyon16、Panda），我们提取确保20-80%组织异质性的图像块。对于未标注数据（即TCGA），我们引入了一种自监督扩展，利用基础模型嵌入将全切片图像聚类为100种组织类型，自动生成伪语义图用于训练。我们的方法合成具有精确区域级标注的高保真图像，在下游分割任务中取得了优异性能。在已标注数据集上的评估表明，仅在合成数据上训练的模型性能与在真实数据上训练的模型相当，证明了受控异质组织生成的实用性。在定量评估中，提示引导合成在Camelyon16上将Fréchet距离降低了最多6倍（从430.1降至72.0），在Panda和TCGA上实现了2-3倍的FD降低。仅在合成数据上训练的DeepLabv3+下游模型在Camelyon16和Panda上分别达到0.71和0.95的测试IoU，与真实数据基线（0.72和0.96）相差1-2%。通过扩展到11765张TCGA全切片图像而无需人工标注，我们的框架为生成多样化且已标注的组织病理学数据这一紧迫需求提供了实用解决方案，解决了计算病理学中的关键瓶颈。