論文の概要: StainDiffuser: MultiTask Dual Diffusion Model for Virtual Staining
- arxiv url: http://arxiv.org/abs/2403.11340v2
- Date: Tue, 20 May 2025 16:36:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:50.966388
- Title: StainDiffuser: MultiTask Dual Diffusion Model for Virtual Staining
- Title（参考訳）: StainDiffuser:仮想染色のためのマルチタスクデュアル拡散モデル
- Authors: Tushar Kataria, Beatrice Knudsen, Shireen Y. Elhabian,
- Abstract要約: ヘマトキシリンとエオシン(H&E)染色は、疾患の診断と腫瘍再発の追跡における病理の基準として広く見なされている。
ヘマトキシリンとエオシン(H&E)染色は、疾患の診断と腫瘍再発の追跡における病理の基準として広く見なされている。
その価値にもかかわらず、IHC染色は追加の時間と資源を必要とし、いくつかの臨床環境での使用を制限する。
近年のディープラーニングの進歩は、画像から画像への変換(I2I)を、IHCの計算的で費用対効果の高い代替手段として位置づけている。
我々は新しいマルチタスク拡散アーキテクチャであるSTAINDIFFを紹介する。
- 参考スコア（独自算出の注目度）: 1.9029890402585894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hematoxylin and Eosin (H&E) staining is widely regarded as the standard in pathology for diagnosing diseases and tracking tumor recurrence. While H&E staining shows tissue structures, it lacks the ability to reveal specific proteins that are associated with disease severity and treatment response. Immunohistochemical (IHC) stains use antibodies to highlight the expression of these proteins on their respective cell types, improving diagnostic accuracy, and assisting with drug selection for treatment. Despite their value, IHC stains require additional time and resources, limiting their utilization in some clinical settings. Recent advances in deep learning have positioned Image-to-Image (I2I) translation as a computational, cost-effective alternative for IHC. I2I generates high fidelity stain transformations digitally, potentially replacing manual staining in IHC. Diffusion models, the current state of the art in image generation and conditional tasks, are particularly well suited for virtual IHC due to their ability to produce high quality images and resilience to mode collapse. However, these models require extensive and diverse datasets (often millions of samples) to achieve a robust performance, a challenge in virtual staining applications where only thousands of samples are typically available. Inspired by the success of multitask deep learning models in scenarios with limited data, we introduce STAINDIFFUSER, a novel multitask diffusion architecture tailored to virtual staining that achieves convergence with smaller datasets. STAINDIFFUSER simultaneously trains two diffusion processes: (a) generating cell specific IHC stains from H&E images and (b) performing H&E based cell segmentation, utilizing coarse segmentation labels exclusively during training. STAINDIFFUSER generates high-quality virtual stains for two markers, outperforming over twenty I2I baselines.
- Abstract（参考訳）: ヘマトキシリンとエオシン(H&E)染色は、疾患の診断と腫瘍再発の追跡における病理の基準として広く見なされている。
H&E染色は組織構造を示すが、病気の重症度や治療反応に関連する特定のタンパク質を明らかにする能力は欠如している。
免疫組織化学的(IHC)染色は、抗体を使用して、それぞれの細胞型におけるこれらのタンパク質の発現を強調し、診断精度を改善し、治療のための薬物選択を補助する。
その価値にもかかわらず、IHC染色は追加の時間と資源を必要とし、いくつかの臨床環境での使用を制限する。
近年のディープラーニングの進歩は、画像から画像への変換(I2I)を、IHCの計算的で費用対効果の高い代替手段として位置づけている。
I2Iは高忠実度染色をデジタル的に生成し、IHCにおける手動染色を置き換える可能性がある。
画像生成と条件付きタスクにおける現在の最先端技術である拡散モデルは、高品質な画像を生成する能力とモード崩壊に対するレジリエンスのため、仮想IHCに特に適している。
しかし、これらのモデルは堅牢なパフォーマンスを達成するために、広範囲で多様なデータセット(多くの場合、数百万のサンプル)を必要とする。
限られたデータを持つシナリオにおけるマルチタスク深層学習モデルの成功に触発されて,より小さなデータセットとの収束を実現する仮想染色に適した,新しいマルチタスク拡散アーキテクチャであるSTAINDIFFUSERを導入する。
STAINDIFFUSERは2つの拡散過程を同時に訓練する。
(a)H&E画像から細胞特異的IHC染色を生成して
(b)訓練中にのみ粗いセグメンテーションラベルを用いてH&Eベースの細胞セグメンテーションを行う。
STAINDIFFUSERは2つのマーカーに対して高品質な仮想染色を生成し、20のI2Iベースラインを上回っている。
関連論文リスト
- FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。
このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。
本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
論文 参考訳（メタデータ） (2024-10-29T21:37:03Z) - VIMs: Virtual Immunohistochemistry Multiplex staining via Text-to-Stain Diffusion Trained on Uniplex Stains [0.9920087186610302]
IHC染色は、複雑な診断問題を解決し、患者の治療決定を導くために、病理学の実践において不可欠である。
小さな生検では、しばしば複数の染色のための十分な組織が欠如し、その後の分子試験のための材料が保存される。
VIMsはこのニーズに対処する最初のモデルであり、仮想IHC多重化のために大きな視覚言語による単一ステップ拡散モデルを活用する。
論文 参考訳（メタデータ） (2024-07-26T22:23:45Z) - Structural Cycle GAN for Virtual Immunohistochemistry Staining of Gland
Markers in the Colon [1.741980945827445]
ヘマトキシリンとエオシン(H&E)染色は疾患解析、診断、グレーディングにおいて最も頻繁に用いられる染色の一つである。
病理学者は、特定の構造や細胞を分析するために異種化学染色(IHC)を必要とする。
ヘマトキシリンとエオシン(H&E)染色は疾患解析、診断、グレーディングにおいて最も頻繁に用いられる染色の一つである。
論文 参考訳（メタデータ） (2023-08-25T05:24:23Z) - A Laplacian Pyramid Based Generative H&E Stain Augmentation Network [5.841841666625825]
Generative Stain Augmentation Network (G-SAN)は、GANベースのフレームワークで、シミュレーションされた染色のバリエーションでセルイメージのコレクションを増強する。
G-SAN強化トレーニングデータを使用することで、平均15.7%のF1スコアの改善、7.3%の汎光学品質向上が達成される。
論文 参考訳（メタデータ） (2023-05-23T17:43:18Z) - Unsupervised Deep Digital Staining For Microscopic Cell Images Via
Knowledge Distillation [46.006296303296544]
大規模にステンド/アンステンディングされたセルイメージペアを実際に取得することは困難である。
本稿では,セル画像のデジタル染色のための新しい教師なしディープラーニングフレームワークを提案する。
提案手法は, より正確な位置と形状の染色画像を生成することができることを示す。
論文 参考訳（メタデータ） (2023-03-03T16:26:38Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Region-guided CycleGANs for Stain Transfer in Whole Slide Images [6.704730171977661]
そこで本研究では,CycleGANを関心差別の領域として拡張する手法を提案する。
我々は,IHC染色が転移細胞に対して実験的に発生する信号を提供するスライド画像全体に対するユースケースを提案する。
論文 参考訳（メタデータ） (2022-08-26T19:12:49Z) - Virtual stain transfer in histology via cascaded deep neural networks [2.309018557701645]
ケースドディープニューラルネットワーク(C-DNN)による仮想染色伝達フレームワークの実証を行った。
C-DNNは、入力として1つの染色タイプのみを取り込んで別の染色タイプの画像をデジタル出力する単一のニューラルネットワーク構造とは異なり、まず仮想染色を使用して、自己蛍光顕微鏡画像をH&Eに変換する。
我々は,H&E染色組織像を仮想PAS( periodic acid-Schiff)染色に変換することに成功した。
論文 参考訳（メタデータ） (2022-07-14T00:43:18Z) - RandStainNA: Learning Stain-Agnostic Features from Histology Slides by
Bridging Stain Augmentation and Normalization [45.81689497433507]
ステン正規化(SN)とステン強化(SA)という2つの提案が一般化誤差を低減するために注目されている。
この問題に対処するため、SNとSAを新しいRandStainNAスキームで統一する。
RandStainNAは、ステンレスに依存しないディープラーニングモデルをトレーニングするために、実行可能な範囲で可変ステンスタイルを制約する。
論文 参考訳（メタデータ） (2022-06-25T16:43:59Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳（メタデータ） (2022-03-23T00:58:27Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。