ToPoFM:拓引导病理学基础模型用于高分辨率的病理学图像合成与细胞水平控制

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 医学图像合成 医学图像合成

背景情况:

• 数据稀缺是数字病理学的主要局限性,影响癌症诊断.
• 当前的合成数据方法缺乏跨类多样性和细胞层次的细节,导致文物和低保真度.
• 图像分辨率差异加剧了分布变化,进一步损害了诊断的准确性.

研究的目的:

• 引入一个视觉基础模型,用于高分辨率的数字病理图像合成与细胞水平的控制.
• 解决当前合成病理学数据生成中的多样性,真实性和分辨率的局限性.
• 开发一个模型,通过改进的合成数据来增强下游诊断任务.

主要方法:

• 开发了TOpology引导的PathOlogy基础模型 (ToPoFM),将拓信息的细胞排列生成与大型语言模型相结合.
• 利用扩散模型来产生病理内容,以细胞排列为指导.
• 实施一种随机滑动推断策略,将低分辨率样本合并为高分辨率图像,只需要小的训练补丁.

主要成果:

• ToPoFM成功地合成了高分辨率的病理图像,具有高保真度和细胞水平控制.
• 广泛的实验和专家验证证实了该模型在数据合成中的有效性.
• 生成的合成图像证明了在增强下游任务,如癌症亚型分类和细分方面的实用性.

结论:

• ToPoFM提供了一个强大的解决方案,用于生成多样化和高准确度的合成病理学数据.
• 该模型的细胞级控制和高分辨率输出解决了现有方法的关键局限性.
• 通过ToPoFM生成的合成数据可以显著提高数字病理学诊断AI模型的性能.