PriorPath: Coarse-To-Fine Approach for Controlled De-Novo Pathology Semantic Masks Generation

要約

人工知能 (AI) をデジタル病理学に組み込むことで、画像分析や診断プロセスなどのタスクを自動化および強化できる有望な見通しが得られます。
ただし、組織サンプルの多様性と細心の注意を払った画像ラベル付けの必要性により、偏ったデータセットが生成されることが多く、それらに対してトレーニングされたアルゴリズムの適用性が制限されます。
この課題に対処するために合成病理組織画像を利用するには、写実的な画像を生成するだけでなく、画像が描写する細胞の特徴を制御できることが不可欠です。
以前の研究では、組織の空間分布を捉えたセマンティック マスクをランダム ノイズから生成する方法が使用されていました。
これらのマスクは、フォトリアリスティックな組織病理学的画像を生成するための条件付き生成アプローチの事前処理として使用されました。
ただし、他の多くの生成モデルと同様に、モデルが基礎となるデータ分布の多様性を完全に捉えることができないため、このソリューションでもモード崩壊が発生します。
この研究では、組織領域の輪郭を描く粗粒画像から派生した詳細でリアルなセマンティック マスクを生成する、PriorPath という造語のパイプラインを紹介します。
このアプローチにより、生成されたマスクの空間配置、および結果として得られる合成画像の制御が可能になります。
私たちは、皮膚、前立腺、肺の 3 種類のがんに対するこの手法の有効性を実証し、セマンティック マスク空間をカバーし、以前の手法と比較して実際のマスクとの類似性が向上する PriorPath の機能を実証しました。
私たちのアプローチでは、単一のプラットフォーム内で目的の組織分布を指定し、フォトリアリスティックなマスクと画像の両方を取得できるため、コンピューター病理学のための AI を促進する組織病理学画像を生成するための最先端の制御可能なソリューションが提供されます。

要約(オリジナル)

Incorporating artificial intelligence (AI) into digital pathology offers promising prospects for automating and enhancing tasks such as image analysis and diagnostic processes. However, the diversity of tissue samples and the necessity for meticulous image labeling often result in biased datasets, constraining the applicability of algorithms trained on them. To harness synthetic histopathological images to cope with this challenge, it is essential not only to produce photorealistic images but also to be able to exert control over the cellular characteristics they depict. Previous studies used methods to generate, from random noise, semantic masks that captured the spatial distribution of the tissue. These masks were then used as a prior for conditional generative approaches to produce photorealistic histopathological images. However, as with many other generative models, this solution exhibits mode collapse as the model fails to capture the full diversity of the underlying data distribution. In this work, we present a pipeline, coined PriorPath, that generates detailed, realistic, semantic masks derived from coarse-grained images delineating tissue regions. This approach enables control over the spatial arrangement of the generated masks and, consequently, the resulting synthetic images. We demonstrated the efficacy of our method across three cancer types, skin, prostate, and lung, showcasing PriorPath’s capability to cover the semantic mask space and to provide better similarity to real masks compared to previous methods. Our approach allows for specifying desired tissue distributions and obtaining both photorealistic masks and images within a single platform, thus providing a state-of-the-art, controllable solution for generating histopathological images to facilitate AI for computational pathology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google