論文の概要: Generative AI for Misalignment-Resistant Virtual Staining to Accelerate Histopathology Workflows

• arxiv url: http://arxiv.org/abs/2509.14119v1
• Date: Wed, 17 Sep 2025 15:58:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.91103
• Title: Generative AI for Misalignment-Resistant Virtual Staining to Accelerate Histopathology Workflows
• Title（参考訳）: 組織学的ワークフローを高速化する修正型バーチャルステインのためのジェネレーティブAI
• Authors: Jiabo MA, Wenqiang Li, Jinbang Li, Ziyi Liu, Linshan Wu, Fengtao Zhou, Li Liang, Ronald Cheong Kin Chan, Terence T. W. Wong, Hao Chen,
• Abstract要約: 本稿では,空間的ミスマッチを解消するカスケード登録機構を備えた頑健な仮想染色フレームワークを提案する。 提案手法は,ベースラインモデルと比較してピーク信号-雑音比が23.8%向上した。
• 参考スコア（独自算出の注目度）: 20.965305499568622
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate histopathological diagnosis often requires multiple differently stained tissue sections, a process that is time-consuming, labor-intensive, and environmentally taxing due to the use of multiple chemical stains. Recently, virtual staining has emerged as a promising alternative that is faster, tissue-conserving, and environmentally friendly. However, existing virtual staining methods face significant challenges in clinical applications, primarily due to their reliance on well-aligned paired data. Obtaining such data is inherently difficult because chemical staining processes can distort tissue structures, and a single tissue section cannot undergo multiple staining procedures without damage or loss of information. As a result, most available virtual staining datasets are either unpaired or roughly paired, making it difficult for existing methods to achieve accurate pixel-level supervision. To address this challenge, we propose a robust virtual staining framework featuring cascaded registration mechanisms to resolve spatial mismatches between generated outputs and their corresponding ground truth. Experimental results demonstrate that our method significantly outperforms state-of-the-art models across five datasets, achieving an average improvement of 3.2% on internal datasets and 10.1% on external datasets. Moreover, in datasets with substantial misalignment, our approach achieves a remarkable 23.8% improvement in peak signal-to-noise ratio compared to baseline models. The exceptional robustness of the proposed method across diverse datasets simplifies the data acquisition process for virtual staining and offers new insights for advancing its development.
• Abstract（参考訳）: 正確な病理組織学的診断には、しばしば複数の異なる染色組織セクションが必要であり、これは、複数の化学染色を使用するため、時間的、労働集約的、環境的に課税されるプロセスである。 近年、仮想染色は、より速く、組織を保存し、環境に優しい代替手段として出現している。 しかし、既存の仮想染色法は、主に整合性のあるペアデータに依存するため、臨床応用において重大な課題に直面している。 このようなデータを取得することは、化学的染色プロセスが組織構造を歪ませることができ、単一の組織セクションが情報の損傷や喪失なしに複数の染色手順を遂行できないため、本質的に困難である。 その結果、ほとんどの利用可能な仮想染色データセットはペアリングされていないか、大まかにペアリングされているため、既存のメソッドが正確なピクセルレベルの監視を達成できない。 この課題に対処するため、我々は、生成した出力と対応する基底真理との間の空間的ミスマッチを解決するために、カスケード登録機構を備えた堅牢な仮想染色フレームワークを提案する。 実験結果から,本手法は5つのデータセットで最先端モデルを著しく上回り,内部データセットでは3.2%,外部データセットでは10.1%の改善を実現していることがわかった。 さらに, 高精度な不整合を有するデータセットでは, ベースラインモデルと比較してピーク信号-雑音比が23.8%向上した。 多様なデータセットにまたがる提案手法の例外的な堅牢性は、仮想染色のためのデータ取得プロセスを単純化し、その開発を進めるための新たな洞察を提供する。

関連論文リスト

• Clinically-guided Data Synthesis for Laryngeal Lesion Detection [2.573786844054239]
  そこで本研究では,Lyngeal endoscopic image-annotation pairを生成するために,Latent Diffusion Model(LDM)とControlNetアダプタを併用した新しいアプローチを提案する。 提案手法はCADx/eモデルのトレーニングデータセットの拡張に有効であり,喉頭科学における評価プロセスの強化に有効である。
  論文  参考訳（メタデータ） (2025-08-08T09:55:54Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• 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)
• Pixel super-resolved virtual staining of label-free tissue using diffusion models [2.8661150986074384]
  本研究では,ブラウン橋プロセスを用いた拡散モデルに基づく超解像仮想染色手法を提案する。 提案手法は,新しいサンプリング手法を拡散モデルに基づく画像推論プロセスに統合する。 ラベルのないヒト肺組織サンプルの低分解能自動蛍光画像に盲目的に適用し、拡散に基づく超高分解能仮想染色モデルは、従来の解像度、構造的類似性、知覚精度のアプローチよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2024-10-26T04:31:17Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• HistoStarGAN: A Unified Approach to Stain Normalisation, Stain Transfer and Stain Invariant Segmentation in Renal Histopathology [0.5505634045241288]
  HistoStarGANは、複数の染色間での染色を行う統一されたフレームワークである。 合成データジェネレータとして機能し、完全に注釈付けされた合成画像データの使用方法を舗装する。
  論文  参考訳（メタデータ） (2022-10-18T12:22:26Z)
• Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
  そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。 両手法の有効性とロバスト性を実証的に示す。 我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
  論文  参考訳（メタデータ） (2022-05-12T17:03:57Z)
• 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)
• Generative Partial Visual-Tactile Fused Object Clustering [81.17645983141773]
  オブジェクトクラスタリングのためのGenerative Partial Visual-Tactile Fused(GPVTF)フレームワークを提案する。 条件付きクロスモーダルクラスタリング生成逆ネットワークを開発し、一方のモダリティ条件を他方のモダリティ上で合成する。 最後に、擬似ラベルに基づく2つのKL分割損失を用いて、対応するモダリティ固有エンコーダを更新する。
  論文  参考訳（メタデータ） (2020-12-28T02:37:03Z)

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。