释放合成图像潜能：组织病理图像分类研究

组织病理图像分类对于准确识别和诊断各种疾病至关重要，但需要大量且多样化的数据集。然而获取此类数据集往往昂贵且耗时，因为需要专家标注且受伦理限制。为此，我们考察了不同生成模型和图像选择方法的适用性，以基于类别标签创建逼真的合成组织病理图像块。我们的发现表明，选择合适的生成模型类型和架构对于提升性能至关重要。我们的实验在PCam数据集上表明，扩散模型对迁移学习有效，而GAN生成的样本更适合数据增强。此外，基于Transformer的生成模型无需图像过滤，与源自卷积神经网络(CNN)的模型形成鲜明对比，后者受益于基于真实度评分的数据选择。因此，我们表明合成图像可以有效增强现有数据集，从而提高下游组织病理图像分类任务的性能。