用于组织病理学十亿像素图像合成的超分辨率级联扩散模型
Ultra-Resolution Cascaded Diffusion Model for Gigapixel Image Synthesis in Histopathology
AI总结：
本文提出超分辨率级联扩散模型（URCDMs），用于合成组织病理学中具有长距离空间一致性的十亿像素高分辨率图像，并在 pFID-50k 和专家评估中显著优于现有方法。
摘要：
组织病理学图像的诊断依赖于全切片图像中高分辨率和低分辨率两方面的信息。超分辨率级联扩散模型（URCDMs）能够合成在所有放大倍数下都逼真的高分辨率图像，不仅关注保真度，还关注长距离空间一致性。我们的模型优于现有方法，将 pFID-50k [2] 分数从 110.63 提高到 39.52 pFID-50k。此外，还进行了一项人类专家评估研究，低分辨率扩散模型的加权平均绝对误差（MAE）为 0.11，URCDM 的加权 MAE 为 0.22。
英文摘要：
Diagnoses from histopathology images rely on information from both high and low resolutions of Whole Slide Images. Ultra-Resolution Cascaded Diffusion Models (URCDMs) allow for the synthesis of high-resolution images that are realistic at all magnification levels, focusing not only on fidelity but also on long-distance spatial coherency. Our model beats existing methods, improving the pFID-50k [2] score by 110.63 to 39.52 pFID-50k. Additionally, a human expert evaluation study was performed, reaching a weighted Mean Absolute Error (MAE) of 0.11 for the Lower Resolution Diffusion Models and a weighted MAE of 0.22 for the URCDM.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
