病理核画像拡張のためのCLIPガイド付き生成ネットワーク

科学分野:

• 計算病理学
• 医用画像解析
• 深層学習

背景:

• 正確な核のセグメンテーションと分類は、計算病理学（CPath）にとって不可欠です。
• 高いアノテーションコストが、病理画像に対する深層学習モデルのトレーニングデータを制限しています。
• 既存の敵対的生成ネットワーク（GAN）は、核マスクの多クラスデータスケーラビリティに苦労しています。

研究 の 目的:

• 核のセグメンテーションと分類のためのCLIPガイド付き生成データ拡張方法を開発すること。
• 現在のGANが多クラス病理データを多様に生成する際の限界を克服すること。
• 合成データ生成を通じて計算病理学における深層学習モデルのパフォーマンスを向上させること。

主な方法:

• 病理CLIPテキストおよび画像エンコーダーを使用したCLIPガイド付き生成データ拡張アプローチを利用しました。
• 組織病理画像と核マスク（臓器タイプ、細胞数、核タイプ）からテキストの説明を生成しました。
• リアルな画像合成のために、マルチモーダル条件付き画像ジェネレーターと（高解像度およびCLIPベースの）デュアルディスクリミネーターを採用しました。

主要な成果:

• 提案手法が多様な公開病理核データセットで有効であることを実証しました。
• 核のセグメンテーションと分類タスクでパフォーマンスが向上しました。
• 定性的および定量的な分析を通じて手法を検証し、既存のアプローチに対する利点を強調しました。

結論:

• CLIPガイド付き生成データ拡張方法は、計算病理学における核のセグメンテーションと分類を大幅に強化します。
• このアプローチは、追加の手動アノテーションなしでトレーニングデータセットを効果的に拡張し、主要なボトルネックに対処します。
• この方法は、デジタル病理学における深層学習の精度とスケーラビリティを向上させる可能性を示しています。