PathSegDiff: Pathology Segmentation using Diffusion model representations

要約

画像セグメンテーションは、正確な疾患診断、サブタイピング、結果、生存可能性の予測など、多くの計算病理学パイプラインで重要です。
セグメンテーションモデルをトレーニングするための一般的なアプローチは、事前に訓練された特徴抽出器と、ペアの画像とマスク注釈のデータセットに依存しています。
これらは、特徴をピクセルあたりのクラスに変換する軽量予測モデルをトレーニングするために使用されます。
特徴抽出器の選択は、最終セグメンテーションモデルのパフォーマンスの中心であり、最近の文献は、特徴抽出器を事前にトレーニングするタスクを見つけることに焦点を当てています。
この論文では、Pathsegdiffを提案します。Pathsegdiffは、事前に訓練された特色の抽出者として潜在的拡散モデル（LDMS）を活用する組織病理学画像セグメンテーションの新しいアプローチであると提案します。
私たちの方法は、自己監視されたエンコーダーに導かれた病理固有のLDMを利用して、H \＆E染色された組織病理学画像から豊富なセマンティック情報を抽出します。
LDMから抽出された機能を処理し、セグメンテーションマスクを生成するために、シンプルで完全な畳み込みネットワークを採用しています。
我々の実験は、BCSSおよびGLASデータセットの従来の方法よりも大幅な改善を示し、複雑な組織構造のキャプチャと組織病理学画像のセグメンテーション精度の向上におけるドメイン固有の拡散前トレーニングの有効性を強調しています。

要約(オリジナル)

Image segmentation is crucial in many computational pathology pipelines, including accurate disease diagnosis, subtyping, outcome, and survivability prediction. The common approach for training a segmentation model relies on a pre-trained feature extractor and a dataset of paired image and mask annotations. These are used to train a lightweight prediction model that translates features into per-pixel classes. The choice of the feature extractor is central to the performance of the final segmentation model, and recent literature has focused on finding tasks to pre-train the feature extractor. In this paper, we propose PathSegDiff, a novel approach for histopathology image segmentation that leverages Latent Diffusion Models (LDMs) as pre-trained featured extractors. Our method utilizes a pathology-specific LDM, guided by a self-supervised encoder, to extract rich semantic information from H\&E stained histopathology images. We employ a simple, fully convolutional network to process the features extracted from the LDM and generate segmentation masks. Our experiments demonstrate significant improvements over traditional methods on the BCSS and GlaS datasets, highlighting the effectiveness of domain-specific diffusion pre-training in capturing intricate tissue structures and enhancing segmentation accuracy in histopathology images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google