論文の概要: Deep learning-enabled virtual multiplexed immunostaining of label-free tissue for vascular invasion assessment
- arxiv url: http://arxiv.org/abs/2508.16209v1
- Date: Fri, 22 Aug 2025 08:31:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-25 16:42:36.317399
- Title: Deep learning-enabled virtual multiplexed immunostaining of label-free tissue for vascular invasion assessment
- Title（参考訳）: 血管浸潤評価のためのラベルフリー組織の深層学習型仮想多重免疫染色法
- Authors: Yijie Zhang, Cagatay Isil, Xilin Yang, Yuzhu Li, Anna Elia, Karin Atlan, William Dean Wallace, Nir Pillar, Aydogan Ozcan,
- Abstract要約: ERGとPanCKを同時に生成する,深層学習に基づく仮想多重免疫染色フレームワークを提案する。
この技術は、蛍光顕微鏡画像にラベルのない組織切片をベースとしている。
その出力画像は、同じ組織部位の組織化学的染色物(ERG、PanCK、H&E)と密接に一致している。
- 参考スコア（独自算出の注目度）: 5.3528119597796655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Immunohistochemistry (IHC) has transformed clinical pathology by enabling the visualization of specific proteins within tissue sections. However, traditional IHC requires one tissue section per stain, exhibits section-to-section variability, and incurs high costs and laborious staining procedures. While multiplexed IHC (mIHC) techniques enable simultaneous staining with multiple antibodies on a single slide, they are more tedious to perform and are currently unavailable in routine pathology laboratories. Here, we present a deep learning-based virtual multiplexed immunostaining framework to simultaneously generate ERG and PanCK, in addition to H&E virtual staining, enabling accurate localization and interpretation of vascular invasion in thyroid cancers. This virtual mIHC technique is based on the autofluorescence microscopy images of label-free tissue sections, and its output images closely match the histochemical staining counterparts (ERG, PanCK and H&E) of the same tissue sections. Blind evaluation by board-certified pathologists demonstrated that virtual mIHC staining achieved high concordance with the histochemical staining results, accurately highlighting epithelial cells and endothelial cells. Virtual mIHC conducted on the same tissue section also allowed the identification and localization of small vessel invasion. This multiplexed virtual IHC approach can significantly improve diagnostic accuracy and efficiency in the histopathological evaluation of vascular invasion, potentially eliminating the need for traditional staining protocols and mitigating issues related to tissue loss and heterogeneity.
- Abstract（参考訳）: 免疫組織化学(IHC)は、組織セクション内の特定のタンパク質の可視化を可能にすることによって臨床病理を変容させた。
しかし、従来のICCは、染色ごとに1つの組織切片を必要とし、分節間変異を示し、高いコストと手間のかかる染色手順を引き起こす。
多重IHC(Multixed IHC)技術は1つのスライド上に複数の抗体を同時に染色することを可能にするが、実行は困難であり、現在は通常の病理検査では利用できない。
本稿では,H&E仮想染色に加えて,ERGとPanCKを同時に生成する深層学習に基づく仮想多重免疫染色フレームワークを提案する。
この仮想mIHC法は、ラベルのない組織部位の自己蛍光顕微鏡画像に基づいており、その出力画像は、同じ組織部位の組織化学的染色物(ERG、PanCK、H&E)と密接に一致している。
病理組織学的検査では, 仮想mIHC染色は組織化学的染色結果と高い一致を示し, 上皮細胞と内皮細胞を正確に強調した。
同じ組織でmIHCを行ったところ,微小血管浸潤の同定と局在が認められた。
この多重化仮想IHCアプローチは、血管浸潤の病理組織学的評価における診断精度と効率を著しく向上させ、従来の染色プロトコルの必要性を排除し、組織喪失や不均一性に関連する問題を緩和する可能性がある。
関連論文リスト
- Score-based Diffusion Model for Unpaired Virtual Histology Staining [7.648204151998162]
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。
論文 参考訳（メタデータ） (2025-06-29T11:02:45Z) - CLAIM: Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation [3.052913696182197]
CLAIM: textbfClinically-Guided textbfLGE textbfAugmentation for Realtextbfiiyocardial Scar Synthesis and framework。
SMILEモジュールは、臨床で採用されているAHA 17セグメントモデルで拡散ベースのジェネレータを条件に、解剖学的に一貫性があり空間的に多様な傷跡パターンで画像を合成する。
実験結果から, CLAIMは解剖学的に整合性のある傷跡パターンを生成し, ベースラインモデルと比較してDiceと実際の傷跡分布との類似性が高いことがわかった。
論文 参考訳（メタデータ） (2025-06-18T15:21:34Z) - Label-free evaluation of lung and heart transplant biopsies using tissue autofluorescence-based virtual staining [3.24061990641619]
従来の組織化学的染色プロセスは、時間がかかり、費用がかかり、労働集約的である。
肺・心臓移植生検における仮想染色ニューラルネットワークのパネルについて述べる。
仮想染色ネットワークは、高い色均一性を持つ高品質な組織像を一貫して生成する。
論文 参考訳（メタデータ） (2024-09-09T00:18:48Z) - Histology Virtual Staining with Mask-Guided Adversarial Transfer Learning for Tertiary Lymphoid Structure Detection [9.68135211016703]
病理組織学的3次リンパ組織構造(TLS)は, 各種固形腫瘍における免疫療法の効果と相関が強くなっている。
伝統的にTLSの同定と特性は、B細胞に対するCD20のようなマーカーを利用して、化学染色技術(IHC)に依存している。
仮想的な病理染色を目的としたマスクガイド型逆変換学習手法を提案する。
本手法は, 異なる染色条件下で, 明確なラベル情報を持たずに, 様々な組織タイプにまたがるニュアンス色変化を選択的にキャプチャする。
Mask-Guidedを含む統合フレームワークであるVirtual IHC Pathology Analysis Network (VIPA-Net)を提案する。
論文 参考訳（メタデータ） (2024-08-26T01:54:37Z) - Automated segmentation of rheumatoid arthritis immunohistochemistry
stained synovial tissue [0.0]
慢性関節リウマチ(RA)は関節滑膜組織に主に影響を及ぼす慢性自己免疫疾患である。
非常に異質な疾患であり、滑膜組織において幅広い細胞および分子の多様性が観察される。
我々は、複数のタイプのIHC染色を含む実世界のマルチセンター臨床データセットR4RAを用いて、UNETをトレーニングする。
このモデルでは、DICEスコア0.865を取得し、異なるタイプのIHC染色を分割し、異なる臨床センターからの色、強度、および一般的なWSIsアーティファクトのばらつきに対処する。
論文 参考訳（メタデータ） (2023-09-13T18:43:14Z) - 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) - 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) - Deep learning-based transformation of the H&E stain into special stains [44.38127957263123]
腎針核生検の組織切片を用いた,H&Eから特殊染色への教師あり学習型コンピュータステンレス変換の有用性を示す。
結果: 染色変態ネットワークにより生成された特殊染色の品質は, 標準組織化学的染色により生成されたものと統計的に同等であった。
論文 参考訳（メタデータ） (2020-08-20T10:12:03Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z)
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。