无监督组织病理学图像合成
计算机视觉与模式识别
2017-12-15 v1
摘要
苏木精-伊红染色组织病理学图像分析对于癌症等复杂疾病的诊断与研究至关重要。现有最先进的方法需要来自训练有素病理学家的海量监督训练数据。本工作中，我们以无监督方式合成大规模组织病理学图像数据集，适用于监督训练任务。我们提出一个统一流程：a）生成一组带有细胞核配对信息（如分割掩码）的初始合成组织病理学图像；b）通过生成对抗网络（GAN）将初始合成图像细化至参考风格；c）训练任务特定的 CNN，并利用在线生成的对抗样本提升该 CNN 的性能。我们的主要贡献在于，合成图像不仅逼真，而且具有代表性（参考风格下）且对训练任务特定的 CNN 相对具有挑战性。我们使用来自四种癌症类型的图像测试了我们的细胞核分割方法。当某癌症类型不存在监督数据时，我们无监督成本的方法显著优于进行跨癌症泛化的监督方法。即便所有癌症类型均存在监督数据，我们无监督成本的方法仍优于监督方法。
引用
@article{arxiv.1712.05021,
title = {Unsupervised Histopathology Image Synthesis},
author = {Le Hou and Ayush Agarwal and Dimitris Samaras and Tahsin M. Kurc and Rajarsi R. Gupta and Joel H. Saltz},
journal= {arXiv preprint arXiv:1712.05021},
year = {2017}
}