USegMix：基于无监督分割混合的病理图像高效数据增强方法
计算机视觉与模式识别
2025-02-25 v1
摘要
在计算病理学研究中，常面临标注病理数据稀缺的挑战。数据增强作为缓解这一限制的关键技术。本研究提出了一种用于病理图像的高效数据增强方法，称为 USegMix。给定一组病理图像，USegMix 在两个阶段内生成新的合成图像。第一阶段，USegMix 采用超像素和 Segment Anything Model (SAM) 自动无监督地构建组织分割的图像池。第二阶段，USegMix 在目标图像中选择一个候选分割区域，用来自分割池中相似的分割区域替换，并通过预训练扩散模型进行混合。如此一来，USegMix 可生成多样且逼真的病理图像。我们在两个病理图像数据集（结直肠癌和前列腺癌）上严格评估了 USegMix 的效果。结果表明，USegMix 在癌症分类性能上实现了提升，凸显了 USegMix 在病理图像分析中具有巨大的潜力。
引用
@article{arxiv.2502.16160,
title = {USegMix: Unsupervised Segment Mix for Efficient Data Augmentation in Pathology Images},
author = {Jiamu Wang and Jin Tae Kwak},
journal= {arXiv preprint arXiv:2502.16160},
year = {2025}
}