PathSegDiff: Pathology Segmentation Using Diffusion Model Representations

doi:10.1007/978-3-032-05472-2_14

2026-01-01

PRE

Sachin Kumar Danisetty *

Alexandros Graikos

Srikar Yellapragada

Dimitris Samaras

DOI：10.1007/978-3-032-05472-2_14

原文链接

原文求助

摘要

En 中文

图像分割在许多计算病理学流程中至关重要，包括准确疾病诊断、分型、预后及生存预测。训练分割模型的常见方法依赖于预训练的特征提取器和配对的图像与掩码注释数据集。这些用于训练一个轻量级预测模型，将特征转化为逐像素分类。特征提取器的选择对最终分割模型的性能至关重要，近期文献主要关注如何通过任务预训练特征提取器。本文提出PathSegDiff，一种用于组织病理学图像分割的新型方法，利用潜在扩散模型（LDMs）作为预训练特征提取器。我们的方法采用病理学特定的LDM，在自监督编码器的引导下，从H&E染色的组织病理学图像中提取丰富的语义信息。我们采用一个简单的全卷积网络处理从LDM中提取的特征并生成分割掩码。实验结果表明，在BCSS和GlaS数据集上显著优于传统方法，凸显了领域特定扩散预训练在捕捉复杂组织结构和提升组织病理学图像分割精度中的有效性。

Keyword:

Segmentation

Histopathology

Diffusion Models

期刊

DEEP GENERATIVE MODELS, DGM4MICCAI 2025

IF:

论文数:

被引数:

机构

state university of new york (suny) system

学者数:

6.5W

论文数: 5.8W

被引数: 65

引用论文

Gland segmentation in colon histology images: The glas challenge contest 结肠组织学图像中的腺体分割: gla挑战赛

MEDICAL IMAGE ANALYSIS

IF11.8

2017-01-01

495

OAAI

Sirinukunwattana, Korsuk; Pluim, Josien P. W.; Chen, Hao; Qi, Xiaojuan; Heng, Pheng-Ann; Guo, Yun Bo; Wang, Li Yang; Matuszewski, Bogdan J.; Bruni, Elia; Sanchez, Urko; Bohm, Anton; Ronneberger, Olaf; Cheikh, Bassem Ben; Racoceanu, Daniel; Kainz, Philipp; Pfeiffer, Michael; Urschler, Martin; Snead, David R. J.; Rajpoot, Nasir M.

High-Resolution Image Synthesis with Latent Diffusion Models 具有潜在扩散模型的高分辨率图像合成

2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)

IF0

2022-06-01