SynCLay:来自定制细胞布局的组织学图像的交互合成

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 医学图像分析 医学图像分析

背景情况:

• 组织学图像的自动合成对于计算病理学应用至关重要.
• 现有的方法缺乏使用用户定义的细胞布局或组织学参数生成现实的组织图像的能力.

研究的目的:

• 介绍SynCLay (来自细胞布局的合成),这是一个用于从用户定义的细胞布局和注释边界生成高质量的组织学图像的新框架.
• 通过控制各种细胞类型的拓布局,使各种组织学模式的创建成为可能.

主要方法:

• SynCLay采用对抗式培训方法,整合核细分和分类模型,以改进核结构和生成核罩.
• 在推断过程中,框架与参数模型相结合,以根据分化等级和细胞密度生成结肠图像和相关的细胞计数.
• 量化评估使用弗雷切初始距离,以及病理学家对图像现实性的定性反.

主要成果:

• SynCLay生成现实的组织学图像与用户定义的细胞布局,允许各种组织学模式的创建.
• 该框架成功生成了合成图像,病理学家将其评价为高度现实的,与真实组织学图像相比较.
• 合成数据增强显著改善了细胞组成预测任务的性能.

结论:

• SynCLay为计算病理学提供了一个强大的工具,可以生成具有定制细胞排列的真实合成组织学图像.
• 该框架有助于研究瘤微环境,平衡用于预测模型开发的数据,并区分良性和恶性瘤.
• SynCLay能够改变细胞位置并增强有限的真实数据的能力,提高了其在推进数字病理学研究和应用中的实用性.