論文の概要: VIMs: Virtual Immunohistochemistry Multiplex staining via Text-to-Stain Diffusion Trained on Uniplex Stains
- arxiv url: http://arxiv.org/abs/2407.19113v1
- Date: Fri, 26 Jul 2024 22:23:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 19:40:49.400468
- Title: VIMs: Virtual Immunohistochemistry Multiplex staining via Text-to-Stain Diffusion Trained on Uniplex Stains
- Title（参考訳）: VIMs: 一重鎖を用いたテキスト・トゥ・ステイン拡散による仮想免疫組織化学多重染色
- Authors: Shikha Dubey, Yosep Chong, Beatrice Knudsen, Shireen Y. Elhabian,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.9920087186610302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces a Virtual Immunohistochemistry Multiplex staining (VIMs) model designed to generate multiple immunohistochemistry (IHC) stains from a single hematoxylin and eosin (H&E) stained tissue section. IHC stains are crucial in pathology practice for resolving complex diagnostic questions and guiding patient treatment decisions. While commercial laboratories offer a wide array of up to 400 different antibody-based IHC stains, small biopsies often lack sufficient tissue for multiple stains while preserving material for subsequent molecular testing. This highlights the need for virtual IHC staining. Notably, VIMs is the first model to address this need, leveraging a large vision-language single-step diffusion model for virtual IHC multiplexing through text prompts for each IHC marker. VIMs is trained on uniplex paired H&E and IHC images, employing an adversarial training module. Testing of VIMs includes both paired and unpaired image sets. To enhance computational efficiency, VIMs utilizes a pre-trained large latent diffusion model fine-tuned with small, trainable weights through the Low-Rank Adapter (LoRA) approach. Experiments on nuclear and cytoplasmic IHC markers demonstrate that VIMs outperforms the base diffusion model and achieves performance comparable to Pix2Pix, a standard generative model for paired image translation. Multiple evaluation methods, including assessments by two pathologists, are used to determine the performance of VIMs. Additionally, experiments with different prompts highlight the impact of text conditioning. This paper represents the first attempt to accelerate histopathology research by demonstrating the generation of multiple IHC stains from a single H&E input using a single model trained solely on uniplex data.
- Abstract（参考訳）: 本稿では,1つのヘマトキシリンおよびエオシン(H&E)染色組織から複数の免疫組織化学染色(IHC)染色を生成するために設計された仮想免疫組織化学多重染色(VIMs)モデルを提案する。
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。
商業実験室は400種類の抗体ベースのICC染色を広範囲に提供しているが、小さな生検では複数の染色のための十分な組織が不足し、その後の分子検査のための材料が保存されていることが多い。
これは仮想IHC染色の必要性を強調している。
特に、VIMは、このニーズに対処する最初のモデルであり、IHCマーカーごとにテキストプロンプトを通した仮想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。
VIMsは、一方的なH&EとIHCのイメージに基づいて訓練されており、対向的なトレーニングモジュールを使用している。
VIMのテストにはペア画像とペア画像の両方が含まれる。
計算効率を向上させるため、VIMはLoRA(Lo-Rank Adapter)アプローチを通じて、小さく訓練可能な重量で微調整された訓練済みの大型潜伏拡散モデルを利用する。
核および細胞質IHCマーカーの実験により、VIMは基底拡散モデルより優れ、対画像変換の標準生成モデルであるPix2Pixに匹敵する性能を発揮することが示された。
2人の病理医による評価を含む複数の評価手法を用いて、VIMの性能を判定する。
さらに、異なるプロンプトによる実験は、テキストコンディショニングの影響を強調している。
本論文は, 単一H&E入力からの複数のIHC染色の発生を, 単体データのみを訓練した単一モデルを用いて実証し, 病理組織学研究を加速する最初の試みである。
関連論文リスト
- IHC Matters: Incorporating IHC analysis to H&E Whole Slide Image Analysis for Improved Cancer Grading via Two-stage Multimodal Bilinear Pooling Fusion [19.813558168408047]
IHCとH&Eは相補的な性質を保ちながら、明確な長所と短所があることが示される。
機能プーリングモジュールを用いた2段階のマルチモーダルバイリニアモデルを開発した。
実験により、H&E染色画像とともに、機械学習モデルにIHCデータを組み込むことで、がんのグレーディングに優れた予測結果が得られることが示された。
論文 参考訳（メタデータ） (2024-05-13T21:21:44Z) - StainDiffuser: MultiTask Dual Diffusion Model for Virtual Staining [1.9029890402585894]
ヘマトキシリンとエオシン(H&E)染色は、疾患の診断や腫瘍再発追跡に最もよく用いられる。
ディープラーニングモデルは、画像から画像への変換(I2I)を重要な研究領域とし、高価な物理的染色プロセスの必要性を減らす。
StainDiffuserは、仮想染色のための新しい二重拡散アーキテクチャであり、限られたトレーニング予算の下で収束する。
論文 参考訳（メタデータ） (2024-03-17T20:47:52Z) - Automated segmentation of rheumatoid arthritis immunohistochemistry
stained synovial tissue [0.0]
慢性関節リウマチ(RA)は関節滑膜組織に主に影響を及ぼす慢性自己免疫疾患である。
非常に異質な疾患であり、滑膜組織において幅広い細胞および分子の多様性が観察される。
我々は、複数のタイプのIHC染色を含む実世界のマルチセンター臨床データセットR4RAを用いて、UNETをトレーニングする。
このモデルでは、DICEスコア0.865を取得し、異なるタイプのIHC染色を分割し、異なる臨床センターからの色、強度、および一般的なWSIsアーティファクトのばらつきに対処する。
論文 参考訳（メタデータ） (2023-09-13T18:43:14Z) - 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) - Adaptive Supervised PatchNCE Loss for Learning H&E-to-IHC Stain
Translation with Inconsistent Groundtruth Image Pairs [5.841841666625825]
本稿では,新たな損失関数であるAdaptive Supervised PatchNCE(ASP)を提案する。
提案手法は, 既存の画像から画像への変換手法より, 複数のICH染色への染色の変換に優れることを示した。
論文 参考訳（メタデータ） (2023-03-10T19:56:34Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - 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) - 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) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z) - Alleviating the Incompatibility between Cross Entropy Loss and Episode
Training for Few-shot Skin Disease Classification [76.89093364969253]
そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。
本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。
さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
論文 参考訳（メタデータ） (2020-04-21T00:57:11Z)
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。