論文の概要: PRINTER:Deformation-Aware Adversarial Learning for Virtual IHC Staining with In Situ Fidelity

• arxiv url: http://arxiv.org/abs/2509.01214v1
• Date: Mon, 01 Sep 2025 07:53:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.586189
• Title: PRINTER:Deformation-Aware Adversarial Learning for Virtual IHC Staining with In Situ Fidelity
• Title（参考訳）: PRINTER: In situ Fidelity を用いた仮想 IHC 染色のためのデフォルメアウェア・アウェア・アドバサリラーニング
• Authors: Yizhe Yuan, Bingsen Xue, Bangzheng Pu, Chengxiang Wang, Cheng Jin,
• Abstract要約: PRINTERは、PRototype-drIvenコンテンツとstaiNing patTERnデカップリングと変形対応の逆学習戦略を統合した弱い教師付きフレームワークである。 私たちの研究は、仮想染色のための堅牢でスケーラブルなソリューションを提供し、計算病理学の分野を前進させます。
• 参考スコア（独自算出の注目度）: 18.922782766983378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tumor spatial heterogeneity analysis requires precise correlation between Hematoxylin and Eosin H&E morphology and immunohistochemical (IHC) biomarker expression, yet current methods suffer from spatial misalignment in consecutive sections, severely compromising in situ pathological interpretation. In order to obtain a more accurate virtual staining pattern, We propose PRINTER, a weakly-supervised framework that integrates PRototype-drIven content and staiNing patTERn decoupling and deformation-aware adversarial learning strategies designed to accurately learn IHC staining patterns while preserving H&E staining details. Our approach introduces three key innovations: (1) A prototype-driven staining pattern transfer with explicit content-style decoupling; and (2) A cyclic registration-synthesis framework GapBridge that bridges H&E and IHC domains through deformable structural alignment, where registered features guide cross-modal style transfer while synthesized outputs iteratively refine the registration;(3) Deformation-Aware Adversarial Learning: We propose a training framework where a generator and deformation-aware registration network jointly adversarially optimize a style-focused discriminator. Extensive experiments demonstrate that PRINTER effectively achieves superior performance in preserving H&E staining details and virtual staining fidelity, outperforming state-of-the-art methods. Our work provides a robust and scalable solution for virtual staining, advancing the field of computational pathology.
• Abstract（参考訳）: 腫瘍の空間的不均一性解析にはヘマトキシリンとエオシンH&E形態と免疫組織化学的(IHC)バイオマーカーの正確な相関が必要であるが、現在の方法では連続する部位における空間的不整合に悩まされ、病態の解釈が著しく複雑化している。 より正確な仮想染色パターンを得るために, PRINTERを提案する。これは, PRototype-drIvenコンテンツとstaiNing patTERnデカップリングを統合した弱教師付きフレームワークで, H&E染色の詳細を保存しながら, IHC染色パターンを正確に学習する変形認識学習戦略を提案する。 提案手法では,(1)明示的なコンテンツスタイルの疎結合を伴うプロトタイプ駆動型ステンディングパターン転送,(2) 変形可能な構造アライメントを通じてH&EドメインとIHCドメインをブリッジする循環型登録合成フレームワークGapBridge,(2) 登録された特徴が反復的に登録を洗練させる,(3) 変形認識支援学習: ジェネレータと変形認識登録ネットワークが相互にスタイル中心の識別器を最適化する学習フレームワークを提案する。 広汎な実験により, PRINTERは, H&E染色の細部と仮想染色の忠実さを保ち, 最先端の手法よりも優れた性能を発揮することが示された。 私たちの研究は、仮想染色のための堅牢でスケーラブルなソリューションを提供し、計算病理学の分野を前進させます。

関連論文リスト

• From Pixels to Pathology: Restoration Diffusion for Diagnostic-Consistent Virtual IHC [37.284994932355865]
  本稿では,仮想染色を画像復元タスクとして再構成する構造対応染色復元拡散モデルであるStar-Diffを紹介する。 残留物とノイズに基づく生成経路を組み合わせることで、スターディフは現実的なバイオマーカーの変動をモデル化しながら組織構造を維持する。 BCIデータセットの実験は、Star-Diffが視覚的忠実度と診断関連性の両方で最先端(SOTA)のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-08-04T15:36:58Z)
• AURORA: Augmented Understanding via Structured Reasoning and Reinforcement Learning for Reference Audio-Visual Segmentation [113.75682363364004]
  AURORAは、参照音声視覚セグメント化における真の推論と言語理解を強化するために設計されたフレームワークである。 AURORAはRef-AVSベンチマークの最先端性能を達成し、非参照セグメンテーションに効果的に一般化する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:38Z)
• 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)
• 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)
• Learning to Align and Refine: A Foundation-to-Diffusion Framework for Occlusion-Robust Two-Hand Reconstruction [50.952228546326516]
  単眼画像からの両手再建は、複雑でダイナミックな手の位置が原因で、永続的な課題に直面している。 既存のアプローチはそのようなアライメントの問題に悩まされ、しばしば不整合と侵入の成果物をもたらす。 本稿では,視覚基礎モデルからの2次元事前ガイダンスを正確に整合させる2段階のファンデーション・ツー・ディフュージョンフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-22T14:42:27Z)
• Cross-Modal Consistency Learning for Sign Language Recognition [92.44927164283641]
  既存の事前学習方法は、コンパクトなポーズデータのみに焦点を当てている。 クロスモーダル一貫性学習フレームワーク(CCL-SLR)を提案する。 CCL-SLRはRGBから学習し、自己教師付き事前学習に基づいてモダリティをポーズする。
  論文  参考訳（メタデータ） (2025-03-16T12:34:07Z)
• Pathological Semantics-Preserving Learning for H&E-to-IHC Virtual Staining [4.42401958204836]
  仮想ステイニングのための病的セマンティックス保存学習法を提案する。 PSPStainは分子レベルのセマンティック情報を取り入れ、セマンティックス相互作用を強化する。 PSPStainは現在の最先端H&E-to-IHC仮想染色法より優れている。
  論文  参考訳（メタデータ） (2024-07-04T05:54:00Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)

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。