F2FLDM: Latent Diffusion Models with Histopathology Pre-Trained Embeddings for Unpaired Frozen Section to FFPE Translation

本研究旨在解决快速冰冻切片技术（Frozen Section，FS）在制备过程中常常会引入褶皱和冰晶效应等伪影和畸变，而高质量的福尔马林固定石蜡包埋（Formalin-Fixed Paraffin-Embedded，FFPE）切片则需要2-3天的制备时间，但不会出现这些伪影和畸变的问题。虽然基于生成对抗网络（Generative Adversarial Network，GAN）的方法已经被用于将FS转换为FFPE图像（F2F），但是这些方法可能会在转换过程中保留FS伪影或引入新的伪影，从而降低了这些转换图像的临床诊断质量。本研究基于GAN和潜在扩散模型（Latent Diffusion Models，LDM）等最新生成模型，旨在克服这些限制。本研究提出了一种新的方法，将LDM与组织病理学预训练嵌入相结合，以增强FS图像的恢复。我们的框架利用LDM受文本和预训练嵌入的条件控制，学习FS和FFPE组织病理学图像的有意义特征。通过扩散和去噪技术，我们的方法不仅保留了重要的诊断属性，如染色和组织形态，还提出了一种嵌入式翻译机制，以更好地预测输入FS图像的目标FFPE表示。结果，本研究在分类性能方面取得了显著的提高，曲线下面积从81.99%提高到94.64%，同时具有有利的CaseFD。这项研究为FS到FFPE图像转换质量建立了新的基准，有望提高组织病理学FS图像分析的可靠性和准确性。我们的工作可在https://minhmanho.github.io/f2f_ldm/上获得。

如何提高冰冻切片（FS）图像转换为甲醛固定石蜡包埋（FFPE）图像的质量，使其更适合临床评估？

将LDMs与组织病理学预训练嵌入相结合，通过扩散和去噪技术来提高FS图像的恢复能力，同时提出了一种嵌入式转换机制来更好地预测目标FFPE表示。

论文使用GAN和LDM等模型来进行FS到FFPE图像的转换，并提出了一种新的方法，将LDM与组织病理学预训练嵌入相结合，以提高转换质量。实验结果表明，这种方法能够显著提高分类性能，AUC从81.99%提高到94.64%。

最近的相关研究包括使用GAN进行图像转换，以及使用LDMs进行图像去噪和扩散。