Two-stage Cytopathological Image Synthesis for Augmenting Cervical Abnormality Screening

要約

自動シンプレップ細胞診検査 (TCT) スクリーニングは、正確かつ効率的な子宮頸がん診断に向けて、病理学者が子宮頸部の異常を発見するのに役立ちます。
現在の自動 TCT スクリーニング システムでは、主に異常な子宮頸部細胞の検出が行われており、通常、有望なパフォーマンスを達成するには、高品質の注釈が付いた大規模で多様なトレーニング データが必要です。
病理学的画像の合成は、データ収集と注釈の労力を最小限に抑えるために自然に向上します。
しかし、小さいサイズの異常な子宮頸細胞の視覚的にもっともらしい外観を同時に合成しながら、現実的な大きなサイズの細胞病理学的画像を生成することは困難です。
この論文では、子宮頸部異常スクリーニングを強化するための合成データを作成するための 2 段階の画像合成フレームワークを提案します。
最初のグローバル画像生成ステージでは、正常な子宮頸細胞を含む細胞病理画像を生成するように正常画像ジェネレーターが設計されています。
2 番目のローカル セル編集段階では、生成された画像から正常なセルがランダムに選択され、提案された異常セル シンセサイザーを使用してさまざまな種類の異常セルに変換されます。
Normal Image Generator と Abnormal Cell Synthesizer はどちらも、それぞれ細胞病理画像の内容をカスタマイズし、空間レイアウトの制御性を拡張するためのパラメーター効率の高い微調整方法を介して、事前にトレーニングされた安定拡散に基づいて構築されています。
私たちの実験は、提案された合成フレームワークの合成画像の品質、多様性、制御性を実証し、異常な子宮頸部細胞の検出のパフォーマンスを向上させるデータ拡張の有効性を検証します。

要約(オリジナル)

Automatic thin-prep cytologic test (TCT) screening can assist pathologists in finding cervical abnormality towards accurate and efficient cervical cancer diagnosis. Current automatic TCT screening systems mostly involve abnormal cervical cell detection, which generally requires large-scale and diverse training data with high-quality annotations to achieve promising performance. Pathological image synthesis is naturally raised to minimize the efforts in data collection and annotation. However, it is challenging to generate realistic large-size cytopathological images while simultaneously synthesizing visually plausible appearances for small-size abnormal cervical cells. In this paper, we propose a two-stage image synthesis framework to create synthetic data for augmenting cervical abnormality screening. In the first Global Image Generation stage, a Normal Image Generator is designed to generate cytopathological images full of normal cervical cells. In the second Local Cell Editing stage, normal cells are randomly selected from the generated images and then are converted to different types of abnormal cells using the proposed Abnormal Cell Synthesizer. Both Normal Image Generator and Abnormal Cell Synthesizer are built upon the pre-trained Stable Diffusion via parameter-efficient fine-tuning methods for customizing cytopathological image contents and extending spatial layout controllability, respectively. Our experiments demonstrate the synthetic image quality, diversity, and controllability of the proposed synthesis framework, and validate its data augmentation effectiveness in enhancing the performance of abnormal cervical cell detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google