DISC: Latent Diffusion Models with Self-Distillation from Separated Conditions for Prostate Cancer Grading

潜在扩散模型（LDMs）可以从噪声中生成高保真度的图像，为训练癌症分级模型提供了一种有前途的方法。虽然之前的工作成功地使用LDMs生成了高保真度的组织病理学图像，但生成图像瓷砖以改善前列腺癌分级尚未被探索。此外，当以瓷砖掩模为条件时，LDMs在准确生成多种癌症等级的混合物方面面临挑战。在本研究中，我们训练特定的LDMs，通过利用输入瓷砖中的像素级注释来生成包含多个Gleason等级（GGs）的合成瓷砖。我们引入了一个名为Self-Distillation from Separated Conditions（DISC）的新框架，它通过GG掩模引导GG模式的生成。最后，我们部署了一个像素级和幻灯片级前列腺癌分级的训练框架，其中有效地利用了合成瓷砖来提高现有模型的癌症分级性能。因此，这项工作在两个领域超过了以前的工作：1）我们增强了具有DISC的LDMs，以在GG模式方面生成更准确的瓷砖，2）我们的训练方案，结合合成数据，显着提高了基线模型在前列腺癌分级方面的泛化能力，特别是在罕见的GG5的挑战性情况下，展示了生成模型在数据有限时增强癌症分级的潜力。

本文旨在利用LDMs生成高保真度的组织病理学图像块，从而提高前列腺癌分级模型的训练效果。同时，解决了在使用图像块控制生成多种癌症等级时，LDMs面临的挑战。

本文提出了一种名为DISC的新框架，可以通过GG掩码生成GG模式，从而训练LDMs生成多种GG的合成图像块。同时，本文还提出了一种训练框架，利用合成数据提高前列腺癌分级模型的泛化能力。

本文的亮点包括：1）使用DISC框架训练LDMs生成更准确的GG模式；2）使用合成数据显著提高了前列腺癌分级模型的泛化能力；3）本文提供了开源代码和使用的数据集。

与本文相关的研究包括：1）使用LDMs生成高保真度的组织病理学图像块的先前研究；2）使用合成数据提高模型泛化能力的先前研究。