PathoPainter: Augmenting Histopathology Segmentation via Tumor-aware Inpainting

要約

腫瘍のセグメンテーションは、組織病理学において重要な役割を果たしますが、病理学者が注釈を付けた費用のかかる細粒の画像マスクペアが必要です。
したがって、データセットを拡張するために組織病理学データを合成することは非常に望ましいです。
以前の作品は、特に小規模データセットと組織病理学画像の本質的に複雑な性質において、トレーニングセグメンテーションに影響を与える画像マスクペアの不正確さと限られた多様性に悩まされています。
この課題に対処するために、画像マスクペアの生成を腫瘍の入力タスクとして再定式化するPatopainterを提案します。
具体的には、私たちのアプローチは、腫瘍領域を取り入れながら背景を保持し、生成された画像とその対応するマスクとの間の正確なアライメントを確保します。
生物学的妥当性を維持しながらデータセットの多様性を高めるために、別の画像からの領域埋め込みに腫瘍を入力する腫瘍を条件付けるサンプリングメカニズムを組み込みます。
さらに、不確実な合成領域を除外するためのフィルタリング戦略を導入し、生成されたデータの品質をさらに向上させます。
当社の包括的な評価は、多様な腫瘍タイプとさまざまなトレーニングデータスケールを特徴とする複数のデータセットに及びます。
その結果、セグメンテーションは合成データで大幅に改善され、既存のセグメンテーションデータ合成アプローチを上回りました。たとえば、Camelyon16の75.69％ – > 77.69％。
このコードは、https：//github.com/hongliuuuuu/pathopainterで入手できます。

要約(オリジナル)

Tumor segmentation plays a critical role in histopathology, but it requires costly, fine-grained image-mask pairs annotated by pathologists. Thus, synthesizing histopathology data to expand the dataset is highly desirable. Previous works suffer from inaccuracies and limited diversity in image-mask pairs, both of which affect training segmentation, particularly in small-scale datasets and the inherently complex nature of histopathology images. To address this challenge, we propose PathoPainter, which reformulates image-mask pair generation as a tumor inpainting task. Specifically, our approach preserves the background while inpainting the tumor region, ensuring precise alignment between the generated image and its corresponding mask. To enhance dataset diversity while maintaining biological plausibility, we incorporate a sampling mechanism that conditions tumor inpainting on regional embeddings from a different image. Additionally, we introduce a filtering strategy to exclude uncertain synthetic regions, further improving the quality of the generated data. Our comprehensive evaluation spans multiple datasets featuring diverse tumor types and various training data scales. As a result, segmentation improved significantly with our synthetic data, surpassing existing segmentation data synthesis approaches, e.g., 75.69% -> 77.69% on CAMELYON16. The code is available at https://github.com/HongLiuuuuu/PathoPainter.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google