[论文解读] A Morphology Focused Diffusion Probabilistic Model for Synthesis of Histopathology Images

Puria Azadi Moghadam, Sanne Van Dalen+5 more|arXiv (Cornell University)|Sep 27, 2022

AI in cancer detection被引用 5

一句话总结

本论文提出了首个专为组织病理学图像合成设计的扩散概率模型，通过聚焦形态学的训练方式结合感知优先加权（P2）与色彩归一化，生成低级别胶质瘤亚型的高保真H&E染色全切片图像。该模型在定量指标和人类病理专家评估中均优于ProGAN，且病理学家无法可靠区分合成图像与真实图像。

ABSTRACT

Visual microscopic study of diseased tissue by pathologists has been the cornerstone for cancer diagnosis and prognostication for more than a century. Recently, deep learning methods have made significant advances in the analysis and classification of tissue images. However, there has been limited work on the utility of such models in generating histopathology images. These synthetic images have several applications in pathology including utilities in education, proficiency testing, privacy, and data sharing. Recently, diffusion probabilistic models were introduced to generate high quality images. Here, for the first time, we investigate the potential use of such models along with prioritized morphology weighting and color normalization to synthesize high quality histopathology images of brain cancer. Our detailed results show that diffusion probabilistic models are capable of synthesizing a wide range of histopathology images and have superior performance compared to generative adversarial networks.

研究动机与目标

• 探索扩散概率模型在生成高质量组织病理学图像方面的潜力，特别是针对罕见癌亚型。
• 通过利用扩散模型稳定且可扩展的训练特性，解决生成对抗网络（GANs）存在的模式崩溃和训练不稳定等局限性。
• 通过感知优先加权（P2）与色彩归一化，提升合成图像的形态保真度与结构一致性。
• 结合客观指标与盲评专家病理评估，评估生成图像的真实感。
• 证明扩散模型在数字病理学中用于数据增强、教育以及隐私保护型共享的可行性。

提出的方法

• 所提出的方法采用端到端训练的扩散概率模型，基于低级别胶质瘤亚型（IDH野生型、IDH突变型及1p/19q共缺失型）的全切片图像。
• 应用感知优先加权（P2）以强调包含更显著形态学特征的扩散步骤，从而提升结构保真度。
• 将色彩归一化整合至模型流程中，以标准化真实与合成图像之间的染色模式，增强形态学学习效果。
• 模型在千兆像素分辨率的H&E染色全切片图像上进行训练，保留组织架构与细胞形态在多倍放大下的细节。
• 消融研究将扩散模型与ProGAN进行对比，采用FID、LPIPS与SSIM等指标评估图像质量与分布覆盖度。
• 通过包含两名病理学家（资深专家与住院医师）的盲评调查，利用置信度与准确度评分评估合成图像与真实图像的真实感。

实验结果

研究问题

• RQ1 扩散概率模型能否生成高保真、形态学准确的低级别胶质瘤亚型组织病理学图像？
• RQ2 与标准扩散训练相比，感知优先加权（P2）是否能提升生成组织病理学图像的结构保真度？
• RQ3 与ProGAN相比，该扩散模型生成的图像在视觉质量与真实感方面表现如何？
• RQ4 在盲评中，病理学家能否可靠区分合成组织病理学图像与真实图像？
• RQ5 尽管训练数据有限，该模型在罕见亚型（如IDH野生型）上的泛化能力如何？

主要发现

• 该扩散模型在所有客观指标上显著优于ProGAN，包括FID（12.8 vs. 18.4）、LPIPS（0.08 vs. 0.12）与SSIM（0.92 vs. 0.87）。
• 病理学家无法可靠区分合成图像与真实图像，Fisher精确检验的p值分别为1.0与0.263，表明检测性能无统计学显著差异。
• 专家在识别真实图像时表现出更高置信度，但仅有极少数合成图像被正确分类，表明其具备高度真实感。
• 该模型成功捕捉到罕见组织病理学特征，如少突胶质细胞瘤的“荷包蛋样”外观及特征性分支状血管结构，即使在低频亚型中亦然。
• ProGAN在罕见IDH野生型亚型中表现出模式崩溃，生成视觉相似且质量较低的图像；而扩散模型则保持了多样性与细节。
• 色彩归一化有效保持了染色一致性，使模型在不受染色变异干扰的情况下学习形态学模式。