論文の概要: STAR: A Fast and Robust Rigid Registration Framework for Serial Histopathological Images
- arxiv url: http://arxiv.org/abs/2509.02952v1
- Date: Wed, 03 Sep 2025 02:32:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.392154
- Title: STAR: A Fast and Robust Rigid Registration Framework for Serial Histopathological Images
- Title（参考訳）: STAR : 病理組織像の高速かつロバストな登録フレームワーク
- Authors: Zeyu Liu, Shengwei Ding,
- Abstract要約: 剛性登録のためのシリアル組織アライメント(STAR)は、マルチWSIアライメントのための高速で堅牢なオープンソースフレームワークである。
複数の臓器とスキャン条件にまたがるANHIR 2019とABAT 2022データセットの評価。
STARは1スライドあたりの安定なアライメントを一定に生成し、クロスステア・バリアビリティと部分組織オーバーラップに対する堅牢性を実証した。
- 参考スコア（独自算出の注目度）: 2.4947556305222345
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Registration of serial whole-slide histopathological images (WSIs) is critical for enabling direct comparison across diverse stains and for preparing paired datasets in artificial intelligence (AI) workflows such as virtual staining and biomarker prediction. While existing methods often rely on complex deformable or deep learning approaches that are computationally intensive and difficult to reproduce, lightweight rigid frameworks-sufficient for many consecutive-section scenarios-remain underdeveloped. We introduce STAR (Serial Tissue Alignment for Rigid registration), a fast and robust open-source framework for multi-WSI alignment. STAR integrates stain-conditioned preprocessing with a hierarchical coarse-to-fine correlation strategy, adaptive kernel scaling, and built-in quality control, achieving reliable rigid registration across heterogeneous tissue types and staining protocols, including hematoxylin-eosin (H&E), special histochemical stains (e.g., PAS, PASM, Masson's), and immunohistochemical (IHC) markers (e.g., CD31, KI67). Evaluated on the ANHIR 2019 and ACROBAT 2022 datasets spanning multiple organs and scanning conditions, STAR consistently produced stable alignments within minutes per slide, demonstrating robustness to cross-stain variability and partial tissue overlap. Beyond benchmarks, we present case studies on H&E-IHC alignment, construction of multi-IHC panels, and typical failure modes, underscoring both utility and limitations. Released as an open and lightweight tool, STAR provides a reproducible baseline that lowers the barrier for clinical adoption and enables large-scale paired data preparation for next-generation computational pathology.
- Abstract（参考訳）: 連続的全スライディング組織像(WSI)の登録は、多様な染色を直接比較し、仮想染色やバイオマーカー予測などの人工知能(AI)ワークフローでペア化されたデータセットを作成するために重要である。
既存の手法は、計算集約的で再現が難しい複雑な変形可能あるいは深層学習のアプローチに頼っていることが多いが、軽量なフレームワークは、多くの連続的なシナリオで十分であり、未開発のままである。
マルチWSIアライメントのための高速で堅牢なオープンソースフレームワークSTAR(Serial tissue Alignment for Rigid registration)を紹介する。
STARは、階層的な粗い相関戦略、適応的なカーネルスケーリング、組込み品質制御と、ヘマトキシリン・オシン(H&E)、特別な組織化学的染色(eg , PAS, PASM, Masson's)、免疫組織化学的マーカー(eg , CD31, KI67)を含む不均一な組織タイプおよび染色プロトコルの信頼性の高い厳密な登録を実現する。
複数の臓器と走査条件にまたがるANHIR 2019とACROBAT 2022データセットに基づいて評価され、STARは1スライドあたり数分で安定なアライメントを連続的に生成し、断続的な変動性と部分的な組織オーバーラップに対する堅牢性を実証した。
ベンチマークの他に、H&E-IHCアライメント、マルチIHCパネルの構築、典型的な障害モードに関するケーススタディがあり、実用性と限界の両方を強調している。
オープンで軽量なツールとしてリリースされたSTARは、再現可能なベースラインを提供し、臨床導入の障壁を低くし、次世代の計算病理のための大規模なペアデータ準備を可能にする。
関連論文リスト
- Structural Connectome Harmonization Using Deep Learning: The Strength of Graph Neural Networks [0.9663199711697325]
構造コネクトーム(SC)研究における小さなサンプルサイズは、神経学的および精神疾患に対する信頼性の高いバイオマーカーの開発を制限する。
大規模なマルチサイト研究は存在するが、スキャナーの不均一性による買収関連バイアスがある。
本稿では,メタデータを必要とせず,多様な取得サイト間でSCを調和させる,サイト条件の深い調和フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-18T14:58:05Z) - Multimodal Outer Arithmetic Block Dual Fusion of Whole Slide Images and Omics Data for Precision Oncology [6.418265127069878]
本稿では, 局所(パッチレベル)から大域(スライダーレベル)の相互作用の相補的な情報を取得するために, 早期・後期融合におけるオミック埋め込みの利用を提案する。
この二重融合戦略は、解釈可能性と分類性能を高め、臨床診断の可能性を強調している。
論文 参考訳（メタデータ） (2024-11-26T13:25:53Z) - PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。
我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。
CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文 参考訳（メタデータ） (2024-09-08T15:02:25Z) - Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T15:04:42Z) - Nuclei-Location Based Point Set Registration of Multi-Stained Whole Slide Images [0.452624578758371]
Whole Slide Images (WSIs) は、細胞レベルで組織構造を研究するための特別な詳細を提供する。
腫瘍マイクロ環境(TME)を様々なタンパク質バイオマーカーや細胞サブタイプの文脈で研究するためには、多段階WSIを用いた特徴の分析と登録がしばしば必要である。
従来の登録法は主に地球規模の剛性/非剛性登録に重点を置いているが、核レベルで複雑な組織変形を伴うスライドの整列に苦慮している。
本稿では,マルチステンド WSI の整合化のための核配置に基づく点集合登録手法を用いた局所レベル非剛性登録に焦点を当てた。
論文 参考訳（メタデータ） (2024-04-25T21:06:53Z) - RegWSI: Whole Slide Image Registration using Combined Deep Feature- and Intensity-Based Methods: Winner of the ACROBAT 2023 Challenge [1.7625447004432986]
デジタル病理学を専門とする科学コミュニティや病院では,堅牢で効率的かつ正確な登録方法が望まれている。
i) 深層学習と特徴に基づく初期アライメントアルゴリズムと(ii) 強度に基づく非厳密な登録からなる2段階のハイブリッド手法を提案する。
提案手法は特定のデータセットへの微調整を一切必要とせず,任意の組織タイプや染色に直接使用することができる。
論文 参考訳（メタデータ） (2024-04-19T16:19:30Z) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。