SynCLay：基于定制细胞布局的组织学图像交互式合成

组织学图像的自动合成在计算病理学中有若干潜在应用。然而，现有方法均无法生成具有定制细胞布局或用户定义组织学参数的真实组织图像。本工作中，我们提出一种称为 SynCLay（基于细胞布局的合成）的新框架，可从用户定义的细胞布局及标注的细胞边界构建真实且高质量的组织学图像。通过该框架基于定制细胞布局的组织图像生成，允许用户从不同类型细胞的任意拓扑排列生成不同的组织学模式。SynCLay 生成的合成图像有助于研究肿瘤微环境中存在的不同类型细胞的作用。此外，它们可通过最小化数据不平衡的影响，辅助平衡组织图像中细胞数量的分布，以设计准确的细胞组成预测器。我们以对抗方式训练 SynCLay，并在其训练中集成核分割与分类模型，以细化核结构并连同合成图像生成核掩码。在推理时，我们将该模型与另一参数模型结合，用于在给定分化等级与不同细胞密度的情况下生成结肠图像及相关的细胞数量作为标注。我们定量评估所生成的图像，并报告受训病理学家的反馈，他们为该框架生成的一组图像赋予真实感评分。所有病理学家对合成图像的平均真实感评分与真实图像一样高。我们还表明，用本框架生成的合成数据增广有限的真实数据可显著提升细胞组成预测任务的预测性能。