基于潜在扩散模型的半监督域适应用于病理图像分类
计算机视觉与模式识别
2026-01-27 v1 定量方法
摘要
计算病理学中的深度学习模型常因域迁移而难以在不同队列和机构之间获得良好泛化性。现有方法要么未充分利用目标域的无标签数据，要么依赖图像到图像的翻译，这会扭曲组织结构并损害模型准确性。本文提出一种半监督域适应（SSDA）框架，利用在源域和目标域的无标签数据上训练的潜在扩散模型生成保持形态学特征且针对目标域的合成图像。通过以基础模型特征、队列身份和组织准备方法为条件，对扩散模型进行控制，既保留源域组织结构，又引入目标域的外观特征。将生成的目标感知合成图像与来自源队列的真实标记图像组合，用于训练下游分类器，然后在目标队列上进行测试。该框架在肺腺癌预后预测任务上的有效性得到验证。该方法在目标队列留下测试集上的加权F1分数从0.611提升至0.706，宏观F1分数从0.641提升至0.716。我们的結果表明，目标感知基于扩散的合成数据增强为计算病理学中的域泛化提供了有前景且有效的方法。
引用
@article{arxiv.2601.17228,
title = {Semi-Supervised Domain Adaptation with Latent Diffusion for Pathology Image Classification},
author = {Tengyue Zhang and Ruiwen Ding and Luoting Zhuang and Yuxiao Wu and Erika F. Rodriguez and William Hsu},
journal= {arXiv preprint arXiv:2601.17228},
year = {2026}
}