合成组织病理学图像生成的条件扩散模型的评估

合成组织病理学图像生成已成为一种可以解决计算病理学中数据稀缺问题的方法，但当前的评估方法可能无法完全评估医学应用的合成数据质量。这项工作研究并解决了现有评估指标的局限性，研究了一种通过特定领域指标和下游任务验证来评估合成组织病理学图像质量的方法。我们表明，传统的合成数据评估指标（例如 Frechet 起始距离（FID）和起始分数（IS））在应用于组织病理学图像时可能存在局限性，因为它们依赖于 ImageNet 预训练的特征提取器。为了解决这些限制，我们建议考虑修改 FID 和 IS 方法，利用在数字病理数据集上预训练的基础模型，并辅以基于精确召回的指标作为附加质量评估的一部分。使用在四个基准数据集上训练的条件去噪扩散模型，通过两步训练方法，我们生成了具有系统变化的质量特征的合成数据集。我们还使用聚合 Jaccard 指数 (AJI+) 和 Dice 系数等常用指标测量了合成数据质量指标与下游细胞核分割性能之间的相关性。研究结果表明，特定于病理学的指标可以提供改进的区分能力。具体来说，与原始 IS (r=0.0708，p=0.7944) 相比，修改后的 Inception Score 表明与下游任务绩效具有更高的相关性（AJI+ 下 r=0.6096，p=0.0122）。我们的观察表明，与提高单个生成图像的视觉保真度相比，增加生成的训练数据的多样性与分割模型性能具有更高的正相关性。