.png){kind=icon}
返回
Graph Conditioned Diffusion for Controllable Histopathology Image Generation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-06103-4_17.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扩散概率模型（DPMs）的最新进展已为高质量图像合成树立了新标准。然而，在医疗成像等敏感领域，可控生成仍具挑战性。医疗图像具有固有结构，如一致的空间排列、形状或纹理，这些对诊断至关重要。然而，现有DPMs在缺乏语义结构和强先验的噪声潜在空间中运行，难以确保对生成内容的语义控制。为此，我们提出了一种基于图的对象级表示方法用于图条件扩散。该方法生成与图像中每个主要结构对应的图节点，封装其特征与关系。这些图表示由Transformer模块处理，并通过文本条件机制整合到扩散模型中，实现对生成的细粒度控制。我们采用真实世界组织病理学用例评估该方法，证明生成的数据可可靠替代标注患者数据用于下游分割任务。代码见此处。
Keyword:
Diffusion
Histopathology
Graphconditioning
期刊
机构
引用论文
Thirty years of the International Banff Classification for Allograft Pathology: the past, present, and future of kidney transplant diagnostics同种异体移植病理学的国际Banff分类三十年: 肾脏移植诊断的过去，现在和未来.png)
KIDNEY INTERNATIONAL
OAAI
KIDNEY INTERNATIONALIF12.6
OAAI分享收藏A graph-based genetic algorithm and generative model/Monte Carlo tree search for the exploration of chemical space基于图的遗传算法和生成模型/蒙特卡洛树搜索的化学空间探索CHEMICAL SCIENCE
OAAI
CHEMICAL SCIENCEIF7.4
OAAI分享收藏Image denoising via sparse and redundant representations over learned dictionaries通过学习字典上的稀疏和冗余表示进行图像去噪
PREAI
分享收藏Automatic data augmentation to improve generalization of deep learning in H&E stained histopathologyOAAI
OAAI分享收藏
查看更多内容