用于细胞病理学中异常细胞鲁棒检测的风格对齐图像合成
计算机视觉与模式识别
2025-06-27 v1
摘要
缺乏高质量标注、长尾数据分布以及染色风格不一致等挑战，对训练神经网络以鲁棒地检测细胞病理学中的异常细胞构成了重大障碍。本文提出了一种风格对齐图像合成（SAIC）方法，通过合成高保真且保留风格的病理图像来增强检测模型的有效性和鲁棒性。无需额外训练，SAIC 首先基于属性引导从异常细胞库中选择合适的候选细胞。然后，采用高频特征重建技术，实现异常细胞与病理背景的风格对齐且高保真的合成。最后，引入大型视觉语言模型来筛选高质量的合成图像。实验结果表明，加入 SAIC 合成的图像能有效提升尾部类别和风格的异常细胞检测的性能与鲁棒性，从而改善整体检测性能。全面的质量评估进一步证实了 SAIC 在临床应用场景中的泛化能力和实用性。我们的代码将在 https://github.com/Joey-Qi/SAIC 发布。
引用
@article{arxiv.2506.21001,
title = {Style-Aligned Image Composition for Robust Detection of Abnormal Cells in Cytopathology},
author = {Qiuyi Qi and Xin Li and Ming Kong and Zikang Xu and Bingdi Chen and Qiang Zhu and S Kevin Zhou},
journal= {arXiv preprint arXiv:2506.21001},
year = {2025}
}
备注
MIDL 2025 Oral