没有合适的资源?快使用搜索试试~ 我知道了~
2000∼×扫描5x10x20x一种用于组织学图像Puria Azadi Moghadam*不列颠哥伦比亚puria. ubc.caSanne Van Dalen*埃因霍温理工大学s.l.v. student.tue.nl卡琳娜角马丁BC癌症机构karina. vch.ca哈佛医学院jlennerz@partners.orgStephen YipBC癌症机构SYip-02@bccancer.bc.caAli Bashashati英属哥伦比亚h. ubc.ca不列颠哥伦比亚ali. ubc.ca摘要一个多世纪以来,病理学家对病变组织的视觉显微镜研究一直是癌症诊断和鉴别的基石。最近,深度学习方法在组织图像的分析和分类然而,在生成组织病理学图像中,关于这种模型的效用的工作有限这些合成图像在病理学中有几个应用,包括教育、能力测试、隐私和数据共享中的实用程序。最近,扩散概率模型被引入到生成高质量的图像。在这里,我们第一次研究了这种模型的潜在用途,以及先验形态加权和颜色归一化,以合成高质量的脑癌组织病理学图像。我们的详细结果表明,扩散概率模型能够合成广泛的组织病理学图像,并且与生成对抗网络相比具有更优越的性能。1. 介绍组织学是一门诊断科学,依赖于放大组织切片中细胞和组织特征的目视检查[17]。最近,高通量数字病理学扫描仪已经开发出来,可以提供千兆像素的高分辨率图像(100 K10万像素-els)的显微镜载玻片在物镜放大倍数高达40倍。 此外,组织的组织学染色,*同等贡献各种污渍(例如,苏木精和伊红、硝酸银、胭脂红、血红素等)用于强调组织的特性并提高其检查对比度[1]。图1显示了数字病理学图像的样本。图1:来自整个载玻片图像最常用的染色材料是苏木精-伊红(HE),它将细胞核内的核酸染色为紫蓝色,将细胞外基质和细胞质染色为粉红色。之后,病理学家检查样品的细胞学和组织特征以用于癌症诊断和分期。癌症的组织病理学诊断是耗时的,并且易于存在主观差异[44],因为它严重依赖于病理学家亚型)。然而,其中一些变体2001罕见,病理学家在培训期间没有机会此外,世界各地的某些亚型的样本稀缺。随着深度学习模型在过去十年中在其他应用中的成功,近年来开发了各种模型,以提高组织病理学诊断的质量并在决策过程中协助病理学家。然而,大多数研究工作都是在开发更强调分类任务的判别模型Wang等人[41],例如,采用加速的深度卷积神经网络进行细胞识别和分类。Mathur等人[27]开发了一种具有多头自我注意力的多凝视注意力网络,用于肾活检图像分类任务。分割是深度模型在组织病理学中的另一种常见应用。作者在[15]中介绍了他们用于检测乳腺癌转移的基于多分辨率另一个例子是使用深度学习算法来预测患者与判别模型相比,在病理学中利用生成模型可用于创建合成图像,并在病理学中具有许多潜在应用,并且可能需要发现模式和序列,这可能会提供更多关于亚型之间差异的信息。组织学生成模型具有重要的教育价值,也可用于合成组织学图像,以用于能力测试应用。[23]第10段。特别是对于一些罕见的癌症,培训病理学家缺乏各种各样的例子。组织学生成模型能够为这些癌症的教学和检查提供无限数量的新图像。此外,这些图像可以解决共享病理图像的隐私问题,这是患者隐私和数据保护的新挑战之一[8]。尽管与基因组学数据不同,不可能从组织病理学切片中识别患者,但由于医疗保健中非常严格的数据隐私法规,在机构之间共享原始组织病理学切片是极其困难的。组织学生成模型是克服这些限制的最佳方法。最近开发了一些基于分布式的组织病理学学习方法[25],Rajotte等人[34]提出了解决这个问题的方法是在本地私有数据上训练生成模型,并且只共享合成数据或生成模型本身。与正常图像相比,一些因素,如时间,劳动力和经济成本,使完全标记的医学图像更加困难[22],导致模型遭受过拟合。合成的组织学图像可用于增强数据集并提高性能。训练过的模型。两者合计,他们有潜力提高组织学领域的教育,评估,安全和推广方面。生成对抗网络(GAN)由Goodfellow等人提出。[13]其后来的变体是当前用于生成合成图像的最常见的模型。然而,GAN有几个缺点,例如模式崩溃和训练困难。从Ho et al. [16]几项研究表明,扩散概率模型可以生成与GANs生成的图像相当的高保真图像[32,10,7]。扩散概率模型为图像合成提供了一些理想然而,尚未针对组织病理学图像探索其性能本文的目标是探索扩散概率模型的效用,用于合成组织病理学图像,并将这些模型与最先进的模型进行比较,以获得生成图像的质量和伪影的缺乏。本文的贡献如下:• 在本文中,我们首次提出利用扩散概率模型来生成合成的组织病理学图像,我们使用基因型数据作为类标签来显示生成模型在合成与单个癌症类型中的基因型相对应的细微差异方面的能力。与生成不同癌症类型的图像相比,这是一项更具挑战性的任务。然而,基因型不是模型的要求,它可以与任何数据标签一起工作• 我们还受益于颜色归一化,以迫使我们的端到端模 型学 习形 态 模式 ,并 受 益于 感知 优 先加 权(P2)[7],其旨在优先关注具有更重要结构组织病理学内容的扩散阶段。• 我们使用低级别神经胶质瘤(LGG)数据集进行了广泛的实证研究,并使用各种指标将所提出的生成方法的性能与利用GAN进行组织病理学图像分析的最新研究进行了比较。实验结果表明,本文提出的方法在所有这些方法中都是优越的,并且它产生了高度真实的病理图像。使用的数据集和我们的结果在第4节中描述。2. 相关作品近年来,由于数字病理学成像和计算基础设施的进步以及信息技术的发展2002t ~(0,T)t嵌入Z ~高斯噪声你好X -图像������−���,������-g基因型基于Unet骨干全切片图像归一化颜色空间~基因型数据初始色彩空间损失:���′���+���正向扩散扩散概率模型形态优先级排序器g-embed颜色标准化模块图2:基于基因型指导生成组织病理学图像的拟议方法概述介绍强大的深度生成模型,能够解决该领域的特定困难。2018年,Kapil et al.[18]利用生成学习实现自动肿瘤比例评分。 Zhou等人[46]采用基于U-网的GAN从低分辨率的组织学补丁中增强和生成高分辨率图像。最近,渐进式GAN模型在生成高质量组织病理学图像方面显示出相当大的潜力[23,45]。另一方面,GAN模型由于在单次拍摄中直接从复杂的潜在空间生成图像以及容易过度拟合其分辨率[43]而遭受模式塌陷和不稳定性,这使得它们不适合从罕见条件或不平衡数据集生成样本。然而,扩散概率模型最近被引入并用于几个应用。Amit等人[2]使用扩散模型来执行图像分割。其他例子是使用扩散概率模型将文本转换为语音[33]和生成在线手写[26]。由于扩散模型将该过程划分为几个相对简单的去噪扩散步骤,并且在每个步骤对输入图像进行强调节,因此它们软化了数据分布,从而导致模型具有更高的稳定性。这些模型还能够生成具有更好分布覆盖的更多样化的图像,不太可能过度拟合,并且易于缩放[43]。这些优点可以显著改善组织病理学图像生成领域,因为具有罕见亚型的不平衡数据集是该领域的主要问题之一。虽然扩散概率模型用于不同领域的多个任务,他们还没有被利用来生成合成的组织病理学图像。因此,我们假设这样的模型可以生成高质量的组织病理学图像,可以解决基于GAN模型的一些挑战。3. 方法3.1. 问题定义本文的目的是使组织病理学图像的生成,所代表的各种形态特征。与其他领域的典型图像相比,合成这些病理图像是一项具有挑战性的任务。假设g i=1,2,. k表示第i个可用基因型。对于每个基因型,有:Setgi={imag e s j},j=1,2,. .. ,&Nimagej ∈Rc×h×w,(1)其中:基因型(图像j)=gi,(2)目的是具有估计器函数fest,其:fest{gi,nNoise}=imagegi,o ut,(3)同时:imagegi,out∈Rc×h×w,imagegi,outD(Setgi),(4)其中D(Setgi)是与gi相关联的图像的分布。 我们处理LGG,它占大多数,儿科脑肿瘤[35],自2016年以来,通过将组织病理学特征与基因型LGG的诊断通过组织病理学检查完成。图2总结了我们提出的用于生成组织学图像的端到端解决方案。3.2. 颜色归一化与HE图像相关的主要挑战之一是由于位点特异性染色方案或数字扫描平台和方法的差异而导致染色缺乏一致性。颜色归一化策略能够提高组织学判别模型[4]的文件。2003s=1∼输入标准化参考0<β1,β2,...,β
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- VMP技术解析:Handle块优化与壳模板初始化
- C++ Primer 第四版更新:现代编程风格与标准库
- 计算机系统基础实验:缓冲区溢出攻击(Lab3)
- 中国结算网上业务平台:证券登记操作详解与常见问题
- FPGA驱动的五子棋博弈系统:加速与创新娱乐体验
- 多旋翼飞行器定点位置控制器设计实验
- 基于流量预测与潮汐效应的动态载频优化策略
- SQL练习:查询分析与高级操作
- 海底数据中心散热优化:从MATLAB到动态模拟
- 移动应用作业:MyDiaryBook - Google Material Design 日记APP
- Linux提权技术详解:从内核漏洞到Sudo配置错误
- 93分钟快速入门 LaTeX:从入门到实践
- 5G测试新挑战与罗德与施瓦茨解决方案
- EAS系统性能优化与故障诊断指南
- Java并发编程:JUC核心概念解析与应用
- 数据结构实验报告:基于不同存储结构的线性表和树实现
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功