論文の概要: Pathology-Guided Virtual Staining Metric for Evaluation and Training
- arxiv url: http://arxiv.org/abs/2507.12624v1
- Date: Wed, 16 Jul 2025 20:39:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-18 20:10:24.268659
- Title: Pathology-Guided Virtual Staining Metric for Evaluation and Training
- Title（参考訳）: 診断・訓練のための病理ガイド付き仮想ステアリングメトリック
- Authors: Qiankai Wang, James E. D. Tweel, Parsin Haji Reza, Anita Layton,
- Abstract要約: PaPIS(Pathology-Aware Perceptual Image similarity)は、仮想染色評価に適したFR-IQA尺度である。
PaPISは、病理関連視覚的手がかりとより正確に一致し、微妙な細胞構造を区別する。
- 参考スコア（独自算出の注目度）: 0.49998148477760973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Virtual staining has emerged as a powerful alternative to traditional histopathological staining techniques, enabling rapid, reagent-free image transformations. However, existing evaluation methods predominantly rely on full-reference image quality assessment (FR-IQA) metrics such as structural similarity, which are originally designed for natural images and often fail to capture pathology-relevant features. Expert pathology reviews have also been used, but they are inherently subjective and time-consuming. In this study, we introduce PaPIS (Pathology-Aware Perceptual Image Similarity), a novel FR-IQA metric specifically tailored for virtual staining evaluation. PaPIS leverages deep learning-based features trained on cell morphology segmentation and incorporates Retinex-inspired feature decomposition to better reflect histological perceptual quality. Comparative experiments demonstrate that PaPIS more accurately aligns with pathology-relevant visual cues and distinguishes subtle cellular structures that traditional and existing perceptual metrics tend to overlook. Furthermore, integrating PaPIS as a guiding loss function in a virtual staining model leads to improved histological fidelity. This work highlights the critical need for pathology-aware evaluation frameworks to advance the development and clinical readiness of virtual staining technologies.
- Abstract（参考訳）: 仮想染色は、従来の病理染色技術に代わる強力な代替手段として出現し、迅速かつ試薬フリーの画像変換を可能にしている。
しかし、既存の評価手法は主に、構造的類似性のようなフル参照画像品質評価(FR-IQA)の指標に依存しており、これは元々は自然画像用に設計され、しばしば病理関連の特徴を捉えるのに失敗する。
専門的な病理学のレビューも使われているが、本質的に主観的で時間を要する。
本研究では,仮想染色評価に適した新しいFR-IQA尺度であるPaPIS(Pathology-Aware Perceptual Image similarity)を紹介する。
PaPISは、細胞形態のセグメンテーションに基づいて訓練された深層学習に基づく特徴を活用し、レチネックスにインスパイアされた特徴分解を取り入れて、組織学的知覚の質をより良く反映する。
比較実験により、PaPISは病理関連視覚的手がかりとより正確に一致し、従来の知覚的指標や既存の知覚的指標が見逃す傾向にある微妙な細胞構造を区別することが示された。
さらに,PaPISを仮想染色モデルにおける誘導損失関数として統合すると,組織学的忠実度が向上する。
本研究は, 仮想染色技術の開発・臨床準備を進めるために, 病理認識評価フレームワークの必要性を強調した。
関連論文リスト
- Fine-tuning Vision Language Models with Graph-based Knowledge for Explainable Medical Image Analysis [44.38638601819933]
現在の糖尿病網膜症(DR)のステージングモデルはほとんど解釈できない。
本稿では,グラフ表現学習を視覚言語モデル(VLM)と統合し,説明可能なDR診断を実現する手法を提案する。
論文 参考訳（メタデータ） (2025-03-12T20:19:07Z) - A Value Mapping Virtual Staining Framework for Large-scale Histological Imaging [36.95712533471744]
各種条件に適応可能な汎用仮想染色フレームワークを提案する。
そこで本研究では,異なる病態間の仮想色付けの精度を確保するために,値マッピング制約に基づく損失関数を提案する。
論文 参考訳（メタデータ） (2025-01-07T07:45:21Z) - Pitfalls of topology-aware image segmentation [81.19923502845441]
我々は、不適切な接続選択、見過ごされたトポロジカルアーティファクト、評価指標の不適切な使用を含むモデル評価における致命的な落とし穴を同定する。
本稿では,トポロジを意識した医用画像分割手法の公正かつ堅牢な評価基準を確立するための,行動可能なレコメンデーションセットを提案する。
論文 参考訳（メタデータ） (2024-12-19T08:11:42Z) - Decomposing Disease Descriptions for Enhanced Pathology Detection: A Multi-Aspect Vision-Language Pre-training Framework [43.453943987647015]
医学的な視覚言語事前訓練は研究の最前線として現れ、ゼロショットの病理診断を可能にしている。
バイオメディカルテキストの複雑なセマンティクスのため、現在の方法では、医学的画像と、非構造化レポートの重要な病理学的所見の整合に苦慮している。
これは、大きな言語モデルと医療専門家に相談することで達成される。
我々の研究は、近年の手法の精度を最大8.56%まで改善し、17.26%を目に見えるカテゴリーで改善した。
論文 参考訳（メタデータ） (2024-03-12T13:18:22Z) - Harnessing Intra-group Variations Via a Population-Level Context for Pathology Detection [17.87825422578005]
本研究では,病理診断のための集団レベルのコンテキストの概念を導入し,オートエンコーダの潜在コードにグラフ理論のアプローチを適用した。
PopuSenseは、畳み込みモデルの局所的またはグローバル的文脈が見逃したり、滑らかになったりする生医学データに固有の追加のグループ内変異を捉えようとしている。
論文 参考訳（メタデータ） (2024-03-04T18:44:30Z) - Deepfake histological images for enhancing digital pathology [0.40631409309544836]
我々は,クラスラベルに制約された病理像を合成する生成逆ネットワークモデルを開発した。
前立腺および大腸組織像の合成におけるこの枠組みの有用性について検討した。
大腸生検によるより複雑な画像へのアプローチを拡張し,そのような組織における複雑な微小環境も再現可能であることを示す。
論文 参考訳（メタデータ） (2022-06-16T17:11:08Z) - Self-Supervised Vision Transformers Learn Visual Concepts in
Histopathology [5.164102666113966]
我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。
我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
論文 参考訳（メタデータ） (2022-03-01T16:14:41Z) - 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) - StyPath: Style-Transfer Data Augmentation For Robust Histology Image
Classification [6.690876060631452]
我々は,StyPathに基づくAMR分類のための,堅牢なディープニューラルネットワークを構築するための新しいパイプラインを提案する。
それぞれの画像は、1GTX V TITANとpytorchを使って1.84 + 0.03秒で生成された。
以上の結果から,本手法は組織学的分類性能を向上させることが示唆された。
論文 参考訳（メタデータ） (2020-07-09T18:02:49Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳（メタデータ） (2020-05-12T08:01:16Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z)
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。