细胞检测论文更新： Two-stage Cytopathological Image Synthesis for Augmenting Cervical Abnormality Screening

1. 创新与工作主要内容

创新点总结

本文提出了一个新颖的两阶段细胞病理图像合成框架，旨在增强宫颈癌异常筛查的数据。该框架基于稳定扩散（Stable Diffusion）这一图像合成的基础模型，通过参数高效微调（Parameter-efficient Fine-tuning, PEFT）技术，实现了对细胞病理图像内容的定制和空间布局可控性的扩展。在第一阶段的全局图像生成中，设计了一个正常图像生成器，用于生成充满正常宫颈细胞的细胞病理图像；在第二阶段的局部细胞编辑中，从生成的图像中随机选择正常细胞，并将其转换为不同类型的异常细胞。这一方法有效地解决了在生成大尺寸细胞病理图像的同时，合成视觉上可信的小尺寸异常宫颈细胞的挑战。

摘要部分翻译

摘要 —— 自动薄层细胞学检测（TCT）筛查可以协助病理学家发现宫颈异常，以实现准确和高效的宫颈癌诊断。当前的自动TCT筛查系统大多涉及异常宫颈细胞检测，这通常需要大规模且多样化的训练数据和高质量的注释以获得有希望的性能。病理图像合成自然地被提出，以最小化数据收集和注释的工作量。然而，同时生成逼真的大尺寸细胞病理图像并同时合成视觉上可信的小尺寸异常宫颈细胞的外观是具有挑战性的。在本文中，我们提出了一个两阶段图像合成框架，以创建用于增强宫颈异常筛查的合成数据。在第一阶段全局图像生成中，设计了一个正常图像生成器，用于生成充满正常宫颈细胞的细胞病理图像。在第二阶段局部细胞编辑中，从生成的图像中随机选择正常细胞，然后使用提出的异常细胞合成器将其转换为不同类型用户的异常细胞。正常图像生成器和异常细胞合成器都建立在稳定扩散之上，这是一个预训练的图像合成基础模型，通过参数高效微调方法分别用于定制细胞病理图像内容和扩展空间布局可控性。我们的实验验证了所提出合成框架的图像质量、多样性和可控性，并验证了其数据增强在提高异常宫颈细胞检测性能方面的有效性。

2. 实验数据

实验数据集

• Normal Image Generator：训练数据包含1,000张1024×1024正常宫颈细胞病理图像。
• Local Cell Editing：收集了3,651张包含异常细胞的1024×1024宫颈细胞病理图像，所有异常细胞均由三名经验丰富的病理学家进行了带边界框的注释。

评价指标

• 使用Fréchet Inception Distance (FID) 44 来全面衡量生成的正常图像的整体语义现实性。
• 使用COCO风格的平均精度（AP）51 来量化评估异常细胞检测任务的性能。

效果的提升

• 通过实验，证明了所提出的合成框架在图像质量、多样性和可控性方面的优势，并且在数据增强方面有效提升了异常宫颈细胞检测的性能。

3. 信息补充

• 代码：文章中未提及代码是否公开。
• 数据集：文章中未明确指出数据集是否公开，但提到了与合作医院收集的图像数据。
• 文章链接：arXiv: 2402.14707v2

相关图片：