🔥 今日值得一读
首个千兆像素全切片病理图像生成模型，速度提升超3倍！
BigCell: Generating Gigapixel Whole-Slide Images
👨💼 主理人解读 · 为什么值得关注
开发者可用它生成大规模病理WSI，缓解数据稀缺并辅助诊断研究。
📖 AI 总结
BigCell是首个能在原生千兆像素分辨率下生成连贯全切片病理图像的方法。现有病理生成模型仅能在1024×1024像素以内的图块尺度操作，而临床诊断文本报告和切片级标签等监督信号却处于全切片层面，二者存在显著尺度失配。BigCell在超过12万张涵盖多器官类型的公开全切片图像上训练了一个2048×2048像素的流匹配Transformer，以病理基础模型嵌入为条件，结合推理时滑动窗口流水线，可生成高达32768×32768像素的连贯图像，在图块级和切片级保真度指标上均优于此前的图块生成器。为提升千兆像素合成的实用性，作者引入自适应调度策略，优先处理切片中的重要区域，在质量损失极小的前提下将生成速度提升三倍以上。此外，该研究还通过训练独立模型从病理文本报告直接生成密集条件网格，首次实现了8k分辨率的文本到图像合成。实验表明，使用合成样本进行数据增强，可使切片级少样本分类性能较仅用真实数据训练的基线提升最多18%。
🔑 关键词速览
| Whole-Slide Images (WSIs) | 全切片图像，是组织病理学玻片的高分辨率数字扫描，通常达到千兆像素级别，用于癌症诊断。 |
| Flow-Matching Transformer | 流匹配Transformer，一种基于流匹配生成模型的Transformer架构，用于高效生成高质量图像。 |
| Gigapixel Resolution | 千兆像素分辨率，指图像包含数十亿像素，常见于全切片图像，提供极高的细节。 |
| Sliding-Window Pipeline | 滑动窗口流程，一种在推理时通过滑动窗口处理大图像的方法，以生成连贯的大尺寸输出。 |
| Few-Shot Classification | 小样本分类，机器学习任务，模型仅从少量标注样本中学习并泛化到新类别。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅