論文の概要: Super-resolved virtual staining of label-free tissue using diffusion models
- arxiv url: http://arxiv.org/abs/2410.20073v1
- Date: Sat, 26 Oct 2024 04:31:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-29 12:15:01.665529
- Title: Super-resolved virtual staining of label-free tissue using diffusion models
- Title（参考訳）: 拡散モデルを用いたラベルフリー組織の超解像仮想染色
- Authors: Yijie Zhang, Luzhe Huang, Nir Pillar, Yuzhu Li, Hanlong Chen, Aydogan Ozcan,
- Abstract要約: 本研究では,ブラウン橋プロセスを用いた拡散モデルに基づく超解像仮想染色手法を提案する。
提案手法は,新しいサンプリング手法を拡散モデルに基づく画像推論プロセスに統合する。
ラベルのないヒト肺組織サンプルの低分解能自動蛍光画像に盲目的に適用し、拡散に基づく超高分解能仮想染色モデルは、従来の解像度、構造的類似性、知覚精度のアプローチよりも一貫して優れていた。
- 参考スコア（独自算出の注目度）: 2.8661150986074384
- License:
- Abstract: Virtual staining of tissue offers a powerful tool for transforming label-free microscopy images of unstained tissue into equivalents of histochemically stained samples. This study presents a diffusion model-based super-resolution virtual staining approach utilizing a Brownian bridge process to enhance both the spatial resolution and fidelity of label-free virtual tissue staining, addressing the limitations of traditional deep learning-based methods. Our approach integrates novel sampling techniques into a diffusion model-based image inference process to significantly reduce the variance in the generated virtually stained images, resulting in more stable and accurate outputs. Blindly applied to lower-resolution auto-fluorescence images of label-free human lung tissue samples, the diffusion-based super-resolution virtual staining model consistently outperformed conventional approaches in resolution, structural similarity and perceptual accuracy, successfully achieving a super-resolution factor of 4-5x, increasing the output space-bandwidth product by 16-25-fold compared to the input label-free microscopy images. Diffusion-based super-resolved virtual tissue staining not only improves resolution and image quality but also enhances the reliability of virtual staining without traditional chemical staining, offering significant potential for clinical diagnostics.
- Abstract（参考訳）: 組織の仮想染色は、無染色組織のラベルのない顕微鏡像を、組織化学的に染色されたサンプルの等価物に変換する強力なツールを提供する。
拡散モデルに基づく超解像仮想染色法をブラウン橋法を用いて, ラベルフリー仮想組織染色の空間分解能と忠実度を両立させ, 従来の深層学習手法の限界に対処する。
提案手法は,新しいサンプリング手法を拡散モデルに基づく画像推測プロセスに統合し,生成した仮想染色画像のばらつきを著しく低減し,より安定かつ正確な出力を得る。
ラベルのないヒト肺組織サンプルの低分解能自動蛍光画像に盲目的に適用し、拡散に基づく超解像仮想染色モデルは、従来の解像度、構造的類似性、知覚精度のアプローチを一貫して上回り、4-5倍の超解像係数を達成し、入力されたラベルのない顕微鏡画像と比較して出力空間帯域幅積を16-25倍に増やした。
拡散法に基づく超解像仮想組織染色は、解像度と画質を向上するだけでなく、従来の化学染色を使わずに仮想染色の信頼性を高め、臨床診断に有意義な可能性を秘めている。
関連論文リスト
- Virtual Staining of Label-Free Tissue in Imaging Mass Spectrometry [2.6165589247047465]
空間分解能を高め, 質量分析画像に細胞形態学的コントラストを導入する仮想組織染色法を提案する。
ヒト腎臓組織に対するブラインド試験では、ラベルのないサンプルの実質的に染色された画像は、その組織化学的に染色されたものと密に一致していることが示された。
論文 参考訳（メタデータ） (2024-11-20T08:30:11Z) - StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。
ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文 参考訳（メタデータ） (2024-08-11T01:22:29Z) - Single color digital H&E staining with In-and-Out Net [0.8271394038014485]
本稿では,仮想染色タスクに特化して設計された新しいネットワークIn-and-Out Netを提案する。
我々はGAN(Generative Adversarial Networks)に基づいて,反射共焦点顕微鏡(RCM)画像からヘマトキシリンおよびエオシン染色画像へ効率的に変換する。
論文 参考訳（メタデータ） (2024-05-22T01:17:27Z) - Virtual birefringence imaging and histological staining of amyloid deposits in label-free tissue using autofluorescence microscopy and deep learning [4.074521061733491]
コンゴ赤染色(コンゴ赤し、英: Congo red stain)は、組織におけるアミロイド鉱床の可視化のための金標準化学染色である。
単一のトレーニングされたニューラルネットワークは、ラベルのない組織セクションの自己蛍光画像を、明視野および偏光顕微鏡等価画像に変換することができる。
論文 参考訳（メタデータ） (2024-03-14T04:48:06Z) - ACDMSR: Accelerated Conditional Diffusion Models for Single Image
Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。
提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。
提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文 参考訳（メタデータ） (2023-07-03T06:49:04Z) - SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。
SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。
第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
論文 参考訳（メタデータ） (2022-11-22T18:00:03Z) - 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) - Virtual staining of defocused autofluorescence images of unlabeled
tissue using deep neural networks [2.433294561208518]
本研究では,非標識組織の脱焦点自己蛍光像を染色できる高速仮想染色フレームワークを提案する。
このフレームワークは、仮想オートフォーカスニューラルネットワークを組み込んで、デフォーカスされたイメージをデジタル的に再フォーカスし、リフォーカスされたイメージを仮想的なステンドイメージに変換する。
論文 参考訳（メタデータ） (2022-07-06T19:55:37Z) - 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) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳（メタデータ） (2020-05-12T08:01:16Z)
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。