基于点扩散与类别掩码自注意力的细胞形态多样性生成模型

为解决组织病理学图像获取困难导致的细胞形态单一性问题，研究人员创新性地提出首个结合点扩散(point diffusion)与类别掩码自注意力(class mask self-attention)的生成模型。该模型通过动态更新细胞形态信息，在公开数据集Lizard上实现FID提升43.17%、IS增强46.24%，为病理学图像合成提供了高质量多样化解决方案。

　　

在组织病理学图像获取面临挑战的背景下，这项研究开创性地将点扩散机制(point diffusion)与类别掩码自注意力(class mask self-attention)模块相结合。通过渐进式更新细胞形态特征，该模型能精细捕捉细胞多样性变化，其创新性体现在：1）采用动态形态更新策略引导扩散过程，2）引入类别约束模块确保生成细胞类型准确性。实验数据表明，在Lizard数据集上，该模型相较主流NASDM网络取得显著突破——Fréchet Inception Distance (FID)优化43.17%，Inception Score (IS)提升46.24%。这项技术不仅解决了生成图像模式固定的难题，更为数字病理学研究提供了高保真、多样化的细胞图像合成方案。