論文の概要: ImplicitStainer: Data-Efficient Medical Image Translation for Virtual Antibody-based Tissue Staining Using Local Implicit Functions
- arxiv url: http://arxiv.org/abs/2505.09831v1
- Date: Wed, 14 May 2025 22:22:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-16 22:29:06.126431
- Title: ImplicitStainer: Data-Efficient Medical Image Translation for Virtual Antibody-based Tissue Staining Using Local Implicit Functions
- Title（参考訳）: インプリシットステナー:局所インプリシット機能を用いた仮想抗体を用いた組織染色のためのデータ効率の良い医用画像翻訳
- 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)染色は病理の顕微鏡診断における金の標準である。
ヘマトキシリンとエオシン(H&E)染色は病理の顕微鏡診断における金の標準である。
ヘマトキシリンとエオシン(H&E)染色は、必要な全ての診断情報をキャプチャするわけではない。
- 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 a gold standard for microscopic diagnosis in pathology. However, H&E staining does not capture all the diagnostic information that may be needed. To obtain additional molecular information, immunohistochemical (IHC) stains highlight proteins that mark specific cell types, such as CD3 for T-cells or CK8/18 for epithelial cells. While IHC stains are vital for prognosis and treatment guidance, they are typically only available at specialized centers and time consuming to acquire, leading to treatment delays for patients. Virtual staining, enabled by deep learning-based image translation models, provides a promising alternative by computationally generating IHC stains from H&E stained images. Although many GAN and diffusion based image to image (I2I) translation methods have been used for virtual staining, these models treat image patches as independent data points, which results in increased and more diverse data requirements for effective generation. We present ImplicitStainer, a novel approach that leverages local implicit functions to improve image translation, specifically virtual staining performance, by focusing on pixel-level predictions. This method enhances robustness to variations in dataset sizes, delivering high-quality results even with limited data. We validate our approach on two datasets using a comprehensive set of metrics and benchmark it against over fifteen state-of-the-art GAN- and diffusion based models. Full Code and models trained will be released publicly via Github upon acceptance.
- Abstract（参考訳）: ヘマトキシリンとエオシン(H&E)染色は病理の顕微鏡診断における金の標準である。
しかし、H&E染色は必要な全ての診断情報をキャプチャするわけではない。
追加の分子情報を得るために、免疫組織化学的(IHC)染色は、T細胞のCD3や上皮細胞のCK8/18のような特定の細胞タイプを示すタンパク質をハイライトする。
IHC染色は予後や治療指導に欠かせないが、通常は特定のセンターでのみ利用可能であり、取得に要する時間がかかり、治療の遅れにつながる。
ディープラーニングベースの画像翻訳モデルによって実現された仮想染色は、H&E染色画像からIHC染色を計算的に生成することで、有望な代替手段を提供する。
仮想染色には多くのGANと拡散ベース画像変換法(I2I)が用いられているが、これらのモデルでは画像パッチを独立したデータポイントとして扱うことにより、効率的な生成のためのデータ要求が増大し、より多様なものとなる。
IndicitStainerは、画像翻訳、特に仮想染色性能を改善するために、局所的な暗黙関数を利用する新しいアプローチである。
この手法はデータセットサイズの変化に対するロバスト性を高め、限られたデータでも高品質な結果をもたらす。
我々は、総合的なメトリクスセットを用いて2つのデータセットに対するアプローチを検証するとともに、15以上の最先端のGANモデルと拡散ベースのモデルに対してベンチマークを行う。
トレーニングされた完全なコードとモデルは、Github経由で公開され、受け入れられる。
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) - Unsupervised Latent Stain Adaptation for Computational Pathology [2.483372684394528]
スタン適応は、ターゲットの染色を一般化するソース染色のモデルをトレーニングすることで、異なる染色間の一般化誤差を低減することを目的としている。
我々は,Unsupervised Latent Stain Adaptation (ULSA) と呼ばれる,すべてのステンド画像を含む人工ラベル付きと非ラベル付きデータの共同トレーニングを提案する。
本手法では, 教師付き信号の増大のために, ラベル付きソース画像に合成対象画像を付加するために, ステンドトランスフォーメーションを用いる。
論文 参考訳（メタデータ） (2024-06-27T11:08:42Z) - 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) - Learned representation-guided diffusion models for large-image generation [58.192263311786824]
自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。
我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。
実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
論文 参考訳（メタデータ） (2023-12-12T14:45:45Z) - 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) - PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for
Cross-Dataset Medical Image Analysis [0.22485007639406518]
新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。
本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
論文 参考訳（メタデータ） (2022-08-19T15:49:47Z) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。