使用基因病理潜伏扩散模型作为保护隐私的数据集增强器可以提高下游分类性能
Jan M Niehues1, Gustav Müller-Franzes2, Yoni Schirris3
1Else Kroener Fresenius Center for Digital Health, Technical University Dresden, Dresden, Germany.
Computers in biology and medicine
|April 28, 2024
概括
潜在扩散模型 (LDM) 产生高质量的基因病理图像,优于生成对抗网络 (GAN). KL-autoencoder LDM (KLF8-DM) 在复杂的组织类中表现出色,通过数据增强提高了分类器的准确性.
科学领域:
- 计算病理学计算病理学
- 医疗图像分析 医学图像分析
- 医疗保健中的人工智能
背景情况:
- 隐性扩散模型 (LDM) 代表了图像生成的重大进步,在稳定性和质量方面超过了生成对抗网络 (GAN).
- 在计算病理学中,生成模型对于安全的数据共享和增加有限的数据集至关重要.
- 在基因病理学任务中,LDM与GAN的比较性能仍然未得到充分探索.
研究的目的:
- 与GAN相比,系统地评估LDM生成的基因病理图像对分类任务的影响.
- 评估不同LDM架构和styleGAN2模型的图像质量和记忆潜力.
- 确定LDM生成数据对提高基因病理分类器性能的有用性.
主要方法:
- 在九个组织类中训练了三种LDM (稳定扩散v1.4微调,KLF8-DM,VQF8-DM) 和一种styleGAN2模型的结直肠癌 (CRC) 组织学.
- 使用专家评分,缩小尺寸和分布相似度指标 (例如,Frechet Inception Distance - FID) 评估图像质量.
- 研究图像记忆,并评估生成图像对训练多类组织分类器的影响.
主要成果:
- 所有生成模型都产生了高质量的图像;KLF8-DM在复杂的CRC组织类别中获得了卓越的FID和专家评分.
- VQF8-DM和styleGAN2在更简单的组织类别上表现更好.
- 对styleGAN2和KLF8-DM来说,图像记忆是可以忽略的.
- 用KLF8-DM生成和真实图像混合训练的分类器显示分类准确度增加了4%.
结论:
- KLF8-DM成为产生高保真基因病理图像的领先的LDM,其记忆风险最小.
- 整合LDM生成的数据显著提高了组织病理学分类器的性能,证明了其对数据集增强的价值.
- 在计算病理学中,LDM为提高数据可用性和模型稳定性提供了一个有希望的途径.
