論文の概要: Cross-channel Perception Learning for H&E-to-IHC Virtual Staining

• arxiv url: http://arxiv.org/abs/2506.07559v1
• Date: Mon, 09 Jun 2025 08:54:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.875302
• Title: Cross-channel Perception Learning for H&E-to-IHC Virtual Staining
• Title（参考訳）: H&E-IHC仮想染色のためのチャネル間知覚学習
• Authors: Hao Yang, JianYu Wu, Run Fang, Xuelian Zhao, Yuan Ji, Zhiyu Chen, Guibin He, Junceng Guo, Yang Liu, Xinhua Zeng,
• Abstract要約: CCPL戦略はHER2ケミカル染色をヘマトキシリンおよびDAB染色チャネルに分解する。 CCPLは生成された画像と実際の画像の両方から二重チャネルの特徴を抽出し、核と膜の間のチャネル間相関を測定する。 結果: CCPLは病的特徴を効果的に保存し, 高品質な仮想染色画像を生成し, マルチメディア医療データを用いた病理診断の自動化を支援する。
• 参考スコア（独自算出の注目度）: 16.604685889132995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of digital pathology, virtual staining has become a key technology in multimedia medical information systems, offering new possibilities for the analysis and diagnosis of pathological images. However, existing H&E-to-IHC studies often overlook the cross-channel correlations between cell nuclei and cell membranes. To address this issue, we propose a novel Cross-Channel Perception Learning (CCPL) strategy. Specifically, CCPL first decomposes HER2 immunohistochemical staining into Hematoxylin and DAB staining channels, corresponding to cell nuclei and cell membranes, respectively. Using the pathology foundation model Gigapath's Tile Encoder, CCPL extracts dual-channel features from both the generated and real images and measures cross-channel correlations between nuclei and membranes. The features of the generated and real stained images, obtained through the Tile Encoder, are also used to calculate feature distillation loss, enhancing the model's feature extraction capabilities without increasing the inference burden. Additionally, CCPL performs statistical analysis on the focal optical density maps of both single channels to ensure consistency in staining distribution and intensity. Experimental results, based on quantitative metrics such as PSNR, SSIM, PCC, and FID, along with professional evaluations from pathologists, demonstrate that CCPL effectively preserves pathological features, generates high-quality virtual stained images, and provides robust support for automated pathological diagnosis using multimedia medical data.
• Abstract（参考訳）: デジタル病理の急速な発展に伴い、仮想染色はマルチメディア医療情報システムにおいて重要な技術となり、病理画像の解析と診断の新しい可能性を提供している。 しかし、既存のH&E-to-IHC研究は、しばしば細胞核と細胞膜の間のチャネル間相関を見落としている。 そこで本研究では,CCPL(Cross-Channel Perception Learning)戦略を提案する。 具体的には、CCPLはまず、細胞核および細胞膜に対応するヘマトキシリンおよびDAB染色チャネルにHER2免疫組織化学的染色を分解する。 病理基盤モデルであるGigapathのタイルエンコーダを用いて、CCPLは生成された画像と実際の画像の両方から二重チャネルの特徴を抽出し、核と膜の間のチャネル間相関を測定する。 また, Tile Encoder を用いて得られた実染色画像の特徴を利用して, 特徴蒸留損失を計算し, 推論負担を増大させることなく, モデルの特徴抽出能力を向上する。 さらに、CCPLは2つのチャネルの焦点光密度マップの統計解析を行い、染色分布と強度の整合性を確保する。 実験の結果,PSNR,SSIM,PCC,FIDなどの定量的指標および病理医の専門的評価に基づいて,CCPLは病的特徴を効果的に保存し,高品質な仮想染色画像を生成するとともに,マルチメディア医療データを用いた病理診断の自動化を支援することを実証した。

関連論文リスト

• Augmentation-Based Deep Learning for Identification of Circulating Tumor Cells [0.18846515534317262]
  CTCは液体生検において重要なバイオマーカーであり、がん患者の管理に非侵襲的なツールを提供する。 伝統的に、DEPArrayが取得したデジタル画像は手動で解析されるため、プロセスは時間がかかり、変動しがちである。 血液サンプル中の白血球とCTCを区別するディープラーニングに基づく分類パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-03-05T11:39:15Z)
• Classification of Heart Sounds Using Multi-Branch Deep Convolutional Network and LSTM-CNN [2.7699831151653305]
  本研究は, 心臓疾患の自動診断のための, 迅速かつ正確かつ費用対効果の高い手法を提供する新しいディープラーニングアーキテクチャを開発し, 評価する。 まず,多様な畳み込みフィルタサイズを利用して人間の聴覚処理をエミュレートするマルチブランチディープ畳み込みニューラルネットワーク(MBDCN)と,特徴抽出のためのパワースペクトル入力の2つの革新的な手法を提案する。 第二に、LSTMブロックをMBDCNに統合し、時間領域の特徴抽出を改善するLong Short-Term Memory-Convolutional Neural (LSCN)モデルである。
  論文  参考訳（メタデータ） (2024-07-15T13:02:54Z)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• 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)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• 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)
• Two-Stream Deep Feature Modelling for Automated Video Endoscopy Data Analysis [45.19890687786009]
  内視鏡画像解析のための2ストリームモデルを提案する。 本モデルでは,2つの深い特徴入力を融合させ,それらの関係関係を新たな関係ネットワークモデルによりマッピングする。
  論文  参考訳（メタデータ） (2020-07-12T05:24:08Z)
• An interpretable automated detection system for FISH-based HER2 oncogene amplification testing in histo-pathological routine images of breast and gastric cancer diagnostics [0.2479153065703935]
  本研究では,HER2遺伝子増幅試験におけるFISH画像の評価を自動化する,解釈可能な深層学習パイプラインを開発した。 病理学的評価を模倣し、インスタンスセグメンテーションネットワークに基づく相間核の検出と局在に依存している。 画像分類と物体検出畳み込みニューラルネットワーク(CNN)の助けを借りて、各核内の蛍光信号の局在と分類を行う。
  論文  参考訳（メタデータ） (2020-05-25T12:14:38Z)

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。