LatentArtiFusion: An Effective and Efficient Histological Artifacts Restoration Framework

要約

組織学的アーチファクトは、病理学者とコンピュータ支援診断 (CAD) システムの両方にとって課題となり、分析エラーにつながります。
敵対的生成ネットワーク (GAN) とピクセルレベルの拡散モデルに基づく組織学的アーチファクト復元の現在のアプローチは、パフォーマンスの制限と計算効率の低下に悩まされています。
この論文では、潜在拡散モデル (LDM) を活用して、高いパフォーマンスと計算効率で組織学的アーチファクトを再構成する新しいフレームワーク LatentArtiFusion を提案します。
従来のピクセルレベルの拡散フレームワークとは異なり、LatentArtiFusion は低次元の潜在空間で復元プロセスを実行し、計算効率を大幅に向上させます。
さらに、非アーティファクト領域での誤転送を防止するために、潜在空間に新しい領域アーティファクト再構成アルゴリズムを導入し、GAN ベースの手法と私たちのアプローチを区別します。
現実世界の組織学データセットに対する広範な実験を通じて、LatentArtiFusion は、最先端のピクセルレベルの拡散フレームワークを 30 倍以上上回る驚くべき速度を実証しました。
また、複数の評価指標にわたって、GAN ベースの手法を常に少なくとも 5% 上回っています。
さらに、下流の組織分類タスクにおける提案したフレームワークの有効性を評価し、その実用性を示します。
コードは https://github.com/bugs-creator/LatentArtiFusion で入手できます。

要約(オリジナル)

Histological artifacts pose challenges for both pathologists and Computer-Aided Diagnosis (CAD) systems, leading to errors in analysis. Current approaches for histological artifact restoration, based on Generative Adversarial Networks (GANs) and pixel-level Diffusion Models, suffer from performance limitations and computational inefficiencies. In this paper, we propose a novel framework, LatentArtiFusion, which leverages the latent diffusion model (LDM) to reconstruct histological artifacts with high performance and computational efficiency. Unlike traditional pixel-level diffusion frameworks, LatentArtiFusion executes the restoration process in a lower-dimensional latent space, significantly improving computational efficiency. Moreover, we introduce a novel regional artifact reconstruction algorithm in latent space to prevent mistransfer in non-artifact regions, distinguishing our approach from GAN-based methods. Through extensive experiments on real-world histology datasets, LatentArtiFusion demonstrates remarkable speed, outperforming state-of-the-art pixel-level diffusion frameworks by more than 30X. It also consistently surpasses GAN-based methods by at least 5% across multiple evaluation metrics. Furthermore, we evaluate the effectiveness of our proposed framework in downstream tissue classification tasks, showcasing its practical utility. Code is available at https://github.com/bugs-creator/LatentArtiFusion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google