論文の概要: HistDiST: Histopathological Diffusion-based Stain Transfer
- arxiv url: http://arxiv.org/abs/2505.06793v1
- Date: Sun, 11 May 2025 00:19:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-13 20:21:49.039039
- Title: HistDiST: Histopathological Diffusion-based Stain Transfer
- Title（参考訳）: HistDiST : Histopathological Diffusion-based Stin Transfer
- Authors: Erik Großkopf, Valay Bundele, Mehran Hossienzadeh, Hendrik P. A. Lensch,
- Abstract要約: HistDiSTは、高忠実度H&E-to-IHC翻訳のための潜在拡散モデル(LDM)ベースのフレームワークである。
HistDiSTは既存の手法よりも優れており、H&E-to-Ki6767の評価においてMRAを28%改善した。
- 参考スコア（独自算出の注目度）: 6.197687155055788
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hematoxylin and Eosin (H&E) staining is the cornerstone of histopathology but lacks molecular specificity. While Immunohistochemistry (IHC) provides molecular insights, it is costly and complex, motivating H&E-to-IHC translation as a cost-effective alternative. Existing translation methods are mainly GAN-based, often struggling with training instability and limited structural fidelity, while diffusion-based approaches remain underexplored. We propose HistDiST, a Latent Diffusion Model (LDM) based framework for high-fidelity H&E-to-IHC translation. HistDiST introduces a dual-conditioning strategy, utilizing Phikon-extracted morphological embeddings alongside VAE-encoded H&E representations to ensure pathology-relevant context and structural consistency. To overcome brightness biases, we incorporate a rescaled noise schedule, v-prediction, and trailing timesteps, enforcing a zero-SNR condition at the final timestep. During inference, DDIM inversion preserves the morphological structure, while an eta-cosine noise schedule introduces controlled stochasticity, balancing structural consistency and molecular fidelity. Moreover, we propose Molecular Retrieval Accuracy (MRA), a novel pathology-aware metric leveraging GigaPath embeddings to assess molecular relevance. Extensive evaluations on MIST and BCI datasets demonstrate that HistDiST significantly outperforms existing methods, achieving a 28% improvement in MRA on the H&E-to-Ki67 translation task, highlighting its effectiveness in capturing true IHC semantics.
- Abstract（参考訳）: ヘマトキシリンとエオシン(H&E)染色は病理学の基盤であるが、分子特異性に欠ける。
免疫組織化学(IHC)は分子的な洞察を提供するが、コストが高く複雑であり、コスト効率の良い代替手段としてH&E-to-IHC翻訳を動機付けている。
既存の翻訳法は主にGANに基づいており、しばしば訓練の不安定さと構造的忠実さに苦しむが、拡散に基づくアプローチは未解明のままである。
高忠実度H&E-to-IHC翻訳のための潜在拡散モデル(LDM)に基づくフレームワークHistDiSTを提案する。
HistDiSTは、VAEエンコードされたH&E表現とともに、Phikon抽出した形態的埋め込みを利用して、病理関連コンテキストと構造的整合性を保証する、二重条件戦略を導入している。
輝度バイアスを克服するために、最終段階においてゼロSNR条件を強制し、再スケールしたノイズスケジュール、v-予測、追従時間ステップを組み込む。
推測中、DDIMインバージョンは形態的構造を保ち、eta-cosineノイズスケジュールは制御された確率性を導入し、構造的一貫性と分子忠実さのバランスをとる。
また,GigaPathの埋め込みを利用した分子検索精度(MRA)を提案する。
MISTとBCIデータセットの大規模な評価は、HistDiSTが既存の手法を著しく上回り、H&E-Ki67翻訳タスクでMRAを28%改善し、真のIHCセマンティクスをキャプチャする効果を強調していることを示している。
関連論文リスト
- SCFANet: Style Distribution Constraint Feature Alignment Network For Pathological Staining Translation [0.11999555634662631]
SCFANet(Style Distribution Constraint Feature Alignment Network)
SCFANetはStyle Distribution Constrainer(SDC)とFeature Alignment Learning(FAL)の2つの革新的なモジュールを組み込んでいる。
我々のSCFANetモデルは既存の手法より優れており、H&E画像の正確なIHC画像への変換を実現している。
論文 参考訳（メタデータ） (2025-04-01T07:29:53Z) - PH2ST:ST-Prompt Guided Histological Hypergraph Learning for Spatial Gene Expression Prediction [9.420121324844066]
本稿では,空間的遺伝子発現予測のためのマルチスケールな組織学的表現学習を支援するために,プロンプト誘導型ハイパーグラフ学習フレームワークPH2STを提案する。
PH2STは既存の最先端手法に勝るだけでなく、欠落点の計算、ST超解像、局所-グローバル予測などの実用的な応用にも大きな可能性を秘めている。
論文 参考訳（メタデータ） (2025-03-21T03:10:43Z) - MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [52.106879463828044]
病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。
モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。
がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-03-01T07:02:30Z) - TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。
VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。
本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文 参考訳（メタデータ） (2024-11-05T19:35:10Z) - Advancing H&E-to-IHC Stain Translation in Breast Cancer: A Multi-Magnification and Attention-Based Approach [13.88935300094334]
本稿では,アテンション機構と多機能情報処理を統合した新しいモデルを提案する。
本モデルでは,病理画像内の様々な倍率から情報を抽出し,活用するために,多機能化処理戦略を採用している。
公開されている乳癌データセットの厳密なテストは、既存の方法よりも優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-08-04T04:55:10Z) - An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
アルツハイマー病(英語: Alzheimer's disease, AD)は、認知機能障害(Mild Cognitive Impairment, MCI)として知られる前ドロマステージを含む認知症である。
この研究の目的は、マルチモーダルMRIデータと単一核化物多型に依存する脳構造と機能の構造的・機能的調節を捉えることである。
論文 参考訳（メタデータ） (2024-06-19T07:31:47Z) - Mix-Domain Contrastive Learning for Unpaired H&E-to-IHC Stain Translation [14.719264181466766]
本研究では,非ペアH&E-to-IHCのステンレス翻訳における教師情報を活用するために,Mix-Domain Contrastive Learning法を提案する。
ミックスドメインの病理情報アグリゲーションにより、MDCLは、対応するパッチと、生成されたIHC画像の異なる位置からのパッチの成分差との病理的整合性を高める。
論文 参考訳（メタデータ） (2024-06-17T17:47:44Z) - Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳（メタデータ） (2022-09-07T05:01:38Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Efficient Learning and Decoding of the Continuous-Time Hidden Markov
Model for Disease Progression Modeling [119.50438407358862]
本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。
EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。
緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
論文 参考訳（メタデータ） (2021-10-26T20:06:05Z)
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。