基于 LoRA 适配稳定扩散模型的质量控制合成数据生成,用于基于 Transformer 的肺癌组织病理学分类
《Journal of Imaging Informatics in Medicine》:Quality Controlled Synthetic Data Generation with LoRA-Adapted Stable Diffusion for Transformer-Based Lung Cancer Histopathology Classification
【字体:
大
中
小
】
时间:2026年10月09日
来源:Journal of Imaging Informatics in Medicine 3.1
编辑推荐:
## 摘要
由于数据量有限以及类内形态学多样性,基于组织病理学图像的肺癌亚型分类对于深度学习模型而言仍然是一个具有挑战性的问题。在本研究中,我们在 LungHist700 数据集上,通过集成的多阶段 QCL-DiffSynTrans 框架,探讨了仅从训练图像生成的合成组织病
## 摘要由于数据量有限以及类内形态学多样性,基于组织病理学图像的肺癌亚型分类对于深度学习模型而言仍然是一个具有挑战性的问题。在本研究中,我们在 LungHist700 数据集上,通过集成的多阶段 QCL-DiffSynTrans 框架,探讨了仅从训练图像生成的合成组织病理学图像对分类性能的影响。在合成数据生成方面,我们采用了 Stable Diffusion 模型、类特定的 LoRA 适配以及图像到图像的生成方法。为了增强色彩和谐度,我们基于源训练图像对生成的图像应用了 LAB 色彩匹配。最终的 Img2Img Synthetic 25 数据集由 121 张合成图像组成;这些图像仅被添加到训练集中,而验证集和测试集则完全保留真实图像。在合成图像的选择过程中,应用了重复检测、源图副本检测、严重色彩/质量控制不一致、DINOv2 相似度检查以及双模型标签一致性等过滤步骤。最终合成数据集已通过所有指定的质量控制,所获得的结果已在研究中报告。在分类阶段,我们训练了五个独立的 ViT-B/16 模型,并采用五种子概率集成方法,通过平均这些模型的输出概率进行最终决策。与仅使用真实数据的集成方法相比,Real + Img2Img Synthetic 25 集成方法将准确率从 0.9327 提高到 0.9519,将宏平均 F1 值从 0.9363 提高到 0.9558。MCC 从 0.8962 增加到 0.9263,支持集成预测与参考标签之间的一致性更高。在两种训练条件下,宏平均 ROC-AUC 均持续保持在较高的 0.9876,表明类别可分离性远高于随机水平,且判别性能得以保持;因此,集成层面的提升被描述性地解读。这些发现表明,基于 img2img 的、仅从训练图像衍生并经质量控制处理的合成组织病理学图像,可以在 QCL-DiffSynTrans 框架内为分类提供可衡量的贡献。结果表明,对合成图像进行受控选择可能是针对有限组织病理学数据集的一种有用的数据增强策略。所提出的方法对于构建更鲁棒、更可靠的数字病理决策支持系统具有重要意义。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号