論文の概要: Score-based Diffusion Model for Unpaired Virtual Histology Staining
- arxiv url: http://arxiv.org/abs/2506.23184v1
- Date: Sun, 29 Jun 2025 11:02:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:53.762634
- Title: Score-based Diffusion Model for Unpaired Virtual Histology Staining
- Title（参考訳）: 平滑な仮想組織染色のためのスコアベース拡散モデル
- Authors: Anran Liu, Xiaofei Wang, Jing Cai, Chao Li,
- Abstract要約: ヘマトキシリンとエオシン(H&E)染色は組織学を可視化するが、診断マーカーには特異性がない。
ヘマトキシリンおよびエオシン(H&E)染色はタンパク質標的染色を提供するが、組織可用性と抗体特異性によって制限される。
仮想染色、すなわち組織構造を保存しながらH&E画像をIHCに変換することで、効率的なIHC生成が期待できる。
本研究では,相互情報を用いた仮想染色のためのスコアベース拡散モデルを提案する。
- 参考スコア（独自算出の注目度）: 7.648204151998162
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hematoxylin and eosin (H&E) staining visualizes histology but lacks specificity for diagnostic markers. Immunohistochemistry (IHC) staining provides protein-targeted staining but is restricted by tissue availability and antibody specificity. Virtual staining, i.e., computationally translating the H&E image to its IHC counterpart while preserving the tissue structure, is promising for efficient IHC generation. Existing virtual staining methods still face key challenges: 1) effective decomposition of staining style and tissue structure, 2) controllable staining process adaptable to diverse tissue and proteins, and 3) rigorous structural consistency modelling to handle the non-pixel-aligned nature of paired H&E and IHC images. This study proposes a mutual-information (MI)-guided score-based diffusion model for unpaired virtual staining. Specifically, we design 1) a global MI-guided energy function that disentangles the tissue structure and staining characteristics across modalities, 2) a novel timestep-customized reverse diffusion process for precise control of the staining intensity and structural reconstruction, and 3) a local MI-driven contrastive learning strategy to ensure the cellular level structural consistency between H&E-IHC images. Extensive experiments demonstrate the our superiority over state-of-the-art approaches, highlighting its biomedical potential. Codes will be open-sourced upon acceptance.
- Abstract（参考訳）: ヘマトキシリンとエオシン(H&E)染色は組織学を可視化するが、診断マーカーには特異性がない。
免疫組織化学(IHC)染色は、タンパク質標的染色を提供するが、組織可用性と抗体特異性によって制限される。
仮想染色、すなわち組織構造を保ちながらH&E画像をIHCに計算的に変換することで、効率的なIHC生成が期待できる。
既存の仮想染色手法は依然として重要な課題に直面している。
1) 染色様式と組織構造を効果的に分解する。
2)多様な組織やタンパク質に適応可能な制御可能な染色プロセス、及び
3)H&E画像とIHC画像の非画素整合性を扱うための厳密な構造整合性モデリングを行う。
本研究では,相互情報を用いた仮想染色のためのスコアベース拡散モデルを提案する。
特に デザインは
1)大域的MI誘導エネルギー関数は組織構造や染色特性を様々に歪めている。
2 染色強度及び構造復元の精密制御のための新規な時間分解逆拡散法
3)H&E-IHC画像間のセルレベルの構造的整合性を確保するためのMI駆動型コントラスト学習戦略について検討した。
大規模な実験は、最先端のアプローチよりも優位性を示し、その生体医学的可能性を強調します。
コードは受理後、オープンソース化される。
関連論文リスト
- Cross-Modality Learning for Predicting IHC Biomarkers from H&E-Stained Whole-Slide Images [4.650292435891902]
HistoStainAlignは、H&E全スライド画像から直接IHC染色パターンを予測する。
HistoStainAlignはこれら3つのICC染色に対してそれぞれ0.735 [95% Confidence Interval (CI): 0.670-0.799]、0.830 [95% CI: 0.772-0.886]、0.723 [95% CI: 0.607-0.836]の重み付きF1スコアを達成した。
論文 参考訳（メタデータ） (2025-06-18T20:01:14Z) - 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) - FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。
このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。
本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
論文 参考訳（メタデータ） (2024-10-29T21:37:03Z) - 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) - 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、疾患の診断と腫瘍再発の追跡における病理の基準として広く見なされている。
ヘマトキシリンとエオシン(H&E)染色は、疾患の診断と腫瘍再発の追跡における病理の基準として広く見なされている。
その価値にもかかわらず、IHC染色は追加の時間と資源を必要とし、いくつかの臨床環境での使用を制限する。
近年のディープラーニングの進歩は、画像から画像への変換(I2I)を、IHCの計算的で費用対効果の高い代替手段として位置づけている。
我々は新しいマルチタスク拡散アーキテクチャであるSTAINDIFFを紹介する。
論文 参考訳（メタデータ） (2024-03-17T20:47:52Z) - Structural Cycle GAN for Virtual Immunohistochemistry Staining of Gland
Markers in the Colon [1.741980945827445]
ヘマトキシリンとエオシン(H&E)染色は疾患解析、診断、グレーディングにおいて最も頻繁に用いられる染色の一つである。
病理学者は、特定の構造や細胞を分析するために異種化学染色(IHC)を必要とする。
ヘマトキシリンとエオシン(H&E)染色は疾患解析、診断、グレーディングにおいて最も頻繁に用いられる染色の一つである。
論文 参考訳（メタデータ） (2023-08-25T05:24:23Z) - Digital staining in optical microscopy using deep learning -- a review [47.86254766044832]
デジタル染色は、光学的コントラストから実際の染色の確立された生化学的コントラストへの翻訳に近代的な深層学習を利用するための有望な概念として登場した。
この分野の現状を詳細に分析し、優れた実践方法を提案し、落とし穴と課題を特定し、将来の実装やアプリケーションに向けた将来的な進歩を仮定する。
論文 参考訳（メタデータ） (2023-03-14T15:23:48Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - 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) - 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)
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。