論文の概要: Transforming H&E images into IHC: A Variance-Penalized GAN for Precision Oncology

• arxiv url: http://arxiv.org/abs/2506.18371v1
• Date: Mon, 23 Jun 2025 07:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.898672
• Title: Transforming H&E images into IHC: A Variance-Penalized GAN for Precision Oncology
• Title（参考訳）: H&E画像をIHCに変換する: 精度オンコロジーのための可変ペナライズされたGAN
• Authors: Sara Rehmat, Hafeez Ur Rehman,
• Abstract要約: 本研究では,H&E染色組織試料から高忠実度IHC画像を生成するための高度な深層学習に基づく画像翻訳フレームワークを提案する。 ピラミッドピクス2ピクセルの損失関数を修飾することにより、生成逆数ネットワーク(GAN)の基本的制限であるモード崩壊を緩和する。 特にHER2陽性 (IHC 3+) 画像の翻訳に優れており, 複雑な形態変化のため, 既存の手法では困難である。
• 参考スコア（独自算出の注目度）: 1.0972875392165036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The overexpression of the human epidermal growth factor receptor 2 (HER2) in breast cells is a key driver of HER2-positive breast cancer, a highly aggressive subtype requiring precise diagnosis and targeted therapy. Immunohistochemistry (IHC) is the standard technique for HER2 assessment but is costly, labor-intensive, and highly dependent on antibody selection. In contrast, hematoxylin and eosin (H&E) staining, a routine histopathological procedure, offers broader accessibility but lacks HER2 specificity. This study proposes an advanced deep learning-based image translation framework to generate highfidelity IHC images from H&E-stained tissue samples, enabling cost-effective and scalable HER2 assessment. By modifying the loss function of pyramid pix2pix, we mitigate mode collapse, a fundamental limitation in generative adversarial networks (GANs), and introduce a novel variance-based penalty that enforces structural diversity in generated images. Our model particularly excels in translating HER2-positive (IHC 3+) images, which have remained challenging for existing methods due to their complex morphological variations. Extensive evaluations on the BCI histopathological dataset demonstrate that our model surpasses state-of-the-art methods in terms of peak signal-tonoise ratio (PSNR), structural similarity index (SSIM), and Frechet Inception Distance (FID), particularly in accurately translating HER2-positive (IHC 3+) images. Beyond medical imaging, our model exhibits superior performance in general image-to-image translation tasks, showcasing its potential across multiple domains. This work marks a significant step toward AI-driven precision oncology, offering a reliable and efficient alternative to traditional HER2 diagnostics.
• Abstract（参考訳）: 乳癌におけるヒト上皮成長因子受容体2(HER2)の過剰発現はHER2陽性乳癌の主要な要因である。 免疫組織化学(IHC)は、HER2アセスメントの標準技術であるが、コストが高く、労働集約的で、抗体選択に強く依存している。 対照的に、ヘマトキシリンとエオシン(H&E)染色(英語版)は、定期的な病理組織学的手法であり、より広範なアクセス性を提供するが、HER2特異性は欠如している。 本研究では,H&E染色組織試料から高忠実度IHC画像を生成するための高度な深層学習に基づく画像翻訳フレームワークを提案し,コスト効率とスケーラブルなHER2評価を実現する。 ピラミッド画素の損失関数を変更することで、モード崩壊を緩和し、生成逆数ネットワーク(GAN)の基本的な制限を緩和し、生成された画像の構造的多様性を強制する新しい分散に基づくペナルティを導入する。 特にHER2陽性 (IHC 3+) 画像の翻訳に優れており, 複雑な形態変化のため, 既存の手法では困難である。 特にHER2陽性(IHC 3+)画像の翻訳では,ピーク信号トノエーズ比 (PSNR) や構造類似度指数 (SSIM) ,Frechet Inception Distance (FID) の面で,我々のモデルが最先端の手法を超越していることを示す。 医用画像以外にも、一般的な画像と画像の翻訳タスクでは優れた性能を示し、複数の領域にまたがってその可能性を示す。 この研究は、AI駆動の精度オンコロジーへの重要なステップであり、従来のHER2診断の信頼性と効率的な代替手段を提供する。

関連論文リスト

• 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)
• 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)
• Automated HER2 Scoring in Breast Cancer Images Using Deep Learning and Pyramid Sampling [3.711848341917877]
  IHC-stained BC 組織像のHER2状態の自動分類にピラミッドサンプリングを用いた深層学習に基づくアプローチを提案する。 本手法は, 様々な空間スケールで形態的特徴を分析し, 計算負荷を効率的に管理し, 細胞レベルでの組織レベルでの詳細な検討を容易にする。
  論文  参考訳（メタデータ） (2024-04-01T00:23:22Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Improved HER2 Tumor Segmentation with Subtype Balancing using Deep Generative Networks [5.44130112878356]
  本稿では,意味条件付き深層生成ネットワークを用いた合成画像を作成することを提案する。 本稿では,GAN(Generative Adversarial Networks)と,特に拡散モデルを用いて現実的な画像を生成する方法を提案する。
  論文  参考訳（メタデータ） (2022-11-11T12:05:15Z)
• BCI: Breast Cancer Immunohistochemical Image Generation through Pyramid Pix2pix [8.82904507522587]
  ヒト上皮成長因子受容体2(HER2)の発現は乳癌の正確な治療に必須である。 今回我々は,乳がん化学(BCI)ベンチマークを初めて提案し,IHCデータをヘマトキシリンとエオシン染色画像で直接合成する方法を提案する。 データセットには4870の登録イメージペアが含まれており、さまざまなHER2表現レベルをカバーする。
  論文  参考訳（メタデータ） (2022-04-25T04:00:47Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• 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)
• Automated Scoring System of HER2 in Pathological Images under the Microscope [3.689994643251581]
  本稿では,HER2スコアリングガイドラインに厳格に従うHER2自動スコアリングシステムを提案する。 提案システムは、当社のTorough Eyeプラットフォームに組み込み、病院に配備する。
  論文  参考訳（メタデータ） (2021-10-21T01:38:35Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。