Dec, 2023

基于影像标注的潜在扩散模型用于增强组织病理学 AI 辅助癌症诊断

HTML
PDF
TL;DR人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性/特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。
发现论文，激发创造
  • 应用人工智能于癌症组织成像的研究与早期检测的现状

    本文旨在回顾和概述当前人工智能在癌症组织成像方面所做的工作，提出了五个主要的任务模型，并讨论了这些方法面临的挑战和用于癌症预防和治疗的适应性。

    Jun, 2023

  • 大规模无条件预训练的合成增强

    通过在大规模无标签数据集上预训练潜在扩散模型（LDM），我们提出了一种名为HistoDiffusion的合成增强方法，然后在未见过的有标签数据集上通过分类器引导在潜在空间中微调模型，以合成特定类别的图像，并采用选择性机制只添加与目标标签匹配度较高的合成样本，通过HistoDiffusion增强，使用少量原始标签，我们大幅提高了骨干分类器的分类准确率6.4%。

    Aug, 2023

  • 利用潜在扩散模型的合成数据增强医疗图像分类器

    利用潜在扩散模型生成皮肤病图像的研究表明，通过合成数据训练模型可以在数据有限的情况下提高性能，但合成数据与真实数据相比仍然有较小的性能增益，因此收集多样的真实数据仍是提升医疗人工智能算法的重要步骤。

    Aug, 2023

  • PathLDM：用于组织病理学的文本条件潜变扩散模型

    本研究介绍了PathLDM，这是一种专为生成高质量组织病理学图像而设计的首个文本条件潜在扩散模型。通过利用病理学文本报告所提供的丰富语境信息，结合图像和文本数据，通过GPT的能力进行复杂文本报告的提炼和总结，我们实现了在TCGA-BRCA数据集上文本到图像生成方面的SoTA FID得分为7.64，显著优于最接近的文本条件竞争对手的30.1的FID得分。

    Sep, 2023

  • GenSelfDiff-HIS: 使用扩散进行组织病理学图像分割的生成式自监督

    通过利用生成扩散模型，我们提出了一种自监督学习方法，用于分割组织病理学图像，并采用基于多损失函数的微调方法进行下游任务。

    Sep, 2023

  • 基于扩散的核细胞图像分割数据增强

    本文介绍了一种基于扩散的核分割增强方法，通过合成大量标记图像，以提高分割模型的性能。实验结果表明，通过将10％的真实标记数据集与合成样本相结合，可以实现与完全监督基准相媲美的分割结果。

    Oct, 2023

  • 学习表示引导的扩散模型用于大规模图像生成

    该研究介绍了一种使用自我监督学习嵌入条件的扩散模型来生成高质量的病理学和卫星图像的方法。通过从自我监督学习表示中提取嵌入，可以生成大型图像，并通过生成变化的真实图像加强下游分类器的准确性。此方法在训练过程中表现出鲁棒性和普遍性，对于不同数据集的图像生成同样有效。

    Dec, 2023

  • 用于半监督组织病理学分割的样式提取扩散模型

    提出了基于风格提取的扩散模型，通过风格调控机制生成具有未见过风格的图像，并将其用于布局分割等下游任务中。在自然图像和组织病理学领域的实验中，验证了该方法的多样性和生成图像对性能影响的改进。

    Mar, 2024

  • 组织病理学中的安全数据共享图像提炼

    通过使用深度学习技术和数据集蒸馏方法，我们构建了一个小型合成数据集，其中包含最具信息量的人可读的合成图像，用于进行下游分类模型训练，并获得适用于实际应用的性能表现。

    Jun, 2024

  • 释放合成图像的潜力：一项关于病理图像分类的研究

    本研究解决了病理图像分类中对大规模多样化数据集的需求，旨在通过生成模型和图像选择方法生成符合类别标签的真实合成图像补丁。通过对PCam数据集的实验，我们发现扩散模型适用于迁移学习，而GAN生成的样本更适合数据增强，验证了合成图像在提高病理图像分类任务性能中的有效性。

    Sep, 2024