Controllable and Efficient Multi-Class Pathology Nuclei Data Augmentation using Text-Conditioned Diffusion Models

在计算病理学领域，深度学习算法在核分割和分类等任务方面取得了显著进展。然而，这些先进方法的潜力受到可用标记数据的缺乏限制。虽然最近的生成模型通过图像合成积极探索以解决这一挑战，但现有的工作几乎没有解决标签增强问题，而且大多数限于单一类别和无条件标签生成。在本文中，我们介绍了一种新颖的两阶段框架，使用文本条件扩散模型对多类核数据进行增强。在第一阶段，我们通过联合扩散模型生成多类语义标签和相应的实例映射，这些模型受到指定标签结构信息的文本提示的影响，从而创新了核标签合成。在第二阶段，我们利用语义和文本条件潜在扩散模型，有效地生成与生成的核标签图像相对应的高质量病理图像。我们在大型和多样化的病理核数据集上展示了我们方法的有效性，包括定性和定量分析，以及下游任务的评估。

论文旨在解决计算病理学中标记数据不足的问题，提出一种使用文本条件扩散模型进行多类核子数据增强的框架。

该论文提出了一个新的两阶段框架，通过文本条件扩散模型生成多类语义标签和相应的实例映射，然后利用语义和文本条件的潜在扩散模型生成高质量的病理图像，以解决标记数据不足的问题。

该论文的亮点包括使用文本条件扩散模型生成多类语义标签和相应的实例映射，以及使用语义和文本条件的潜在扩散模型生成高质量的病理图像。实验表明，该方法在大型多样化的病理核子数据集上具有有效性。论文提供了开源代码。

最近的相关研究包括使用生成模型进行图像合成，但这些方法主要针对单一类别和无条件标签生成。