面向数字病理学的拓扑引导多类细胞上下文生成
图像与视频处理
2023-04-06 v1 计算机视觉与模式识别
摘要
在数字病理学中，细胞的空间上下文对细胞分类、癌症诊断和预后十分重要。然而，对此类复杂细胞上下文进行建模具有挑战性。细胞形成不同的混合物、谱系、簇和孔洞。为了以可学习的方式对这类结构模式建模，我们引入了来自空间统计和拓扑数据分析的若干数学工具。我们将此类结构描述符作为条件输入和可微损失整合进深度生成模型中。由此，我们首次能够生成高质量的多类细胞布局。我们展示了富含拓扑信息的细胞布局可用于数据增强并提升下游任务（如细胞分类）的性能。
引用
@article{arxiv.2304.02255,
title = {Topology-Guided Multi-Class Cell Context Generation for Digital Pathology},
author = {Shahira Abousamra and Rajarsi Gupta and Tahsin Kurc and Dimitris Samaras and Joel Saltz and Chao Chen},
journal= {arXiv preprint arXiv:2304.02255},
year = {2023}
}
备注
To be published in proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2023