利用 无需训练 结构初始化和纹理调制进行可控组织病理学图像合成

深度学习在高通量组织病理学图像分析方面取得了显着的成功。然而，基于学习的模型的性能关键取决于病理学家专家注释的质量和大小，这是一个资源密集型且耗时的过程。为了解决数据稀缺和注释负担的限制，已经提出了几种方法来合成配对的组织病理学数据。然而，这些框架通常仍然需要注释数据（尽管数量减少），以在训练期间施加结构约束。在这项工作中，我们提出了 CHIS，一个插件框架，它通过两个关键阶段引导预训练扩散模型的采样轨迹：开始时的结构初始化和生成期间的纹理调制。通过将先前掩模的相位信息与频域中高斯噪声的幅度融合来细化初始噪声状态，从而产生结构上知情的起点。在反向扩散过程中，我们在不同的小波分解级别自适应地调制粗粒度和细粒度纹理。这使得仅在未标记图像上预训练的扩散模型能够生成与先前结构掩模对齐的输出，同时保留参考组织样式。我们进行了大量的实验，证明了 CHIS 在生成保真度方面的优越性及其对下游分割任务的巨大好处。代码可在 https://github.com/IBIL-Code/CHIS 获取。