論文の概要: Progressive Translation of H&E to IHC with Enhanced Structural Fidelity

• arxiv url: http://arxiv.org/abs/2511.01698v1
• Date: Mon, 03 Nov 2025 16:06:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.319335
• Title: Progressive Translation of H&E to IHC with Enhanced Structural Fidelity
• Title（参考訳）: 構造忠実度を増強したH&EのIHCへのプログレッシブ翻訳
• Authors: Yuhang Kang, Ziyu Su, Tianyang Wang, Zaibo Li, Wei Chen, Muhammad Khalid Khan Niazi,
• Abstract要約: ヘマトキシリン・エオシン(H&E)染色と比較して、勾配化学(IHC)は高分解能タンパク質の局在を提供する。 診断価値はあるものの、IHCは高価で労働集約的な技術である。 カラーおよびセル境界生成ロジックを取り入れた,プログレッシブな構造を踏襲した新しいネットワークアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 8.881744407746845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compared to hematoxylin-eosin (H&E) staining, immunohistochemistry (IHC) not only maintains the structural features of tissue samples, but also provides high-resolution protein localization, which is essential for aiding in pathology diagnosis. Despite its diagnostic value, IHC remains a costly and labor-intensive technique. Its limited scalability and constraints in multiplexing further hinder widespread adoption, especially in resource-limited settings. Consequently, researchers are increasingly exploring computational stain translation techniques to synthesize IHC-equivalent images from H&E-stained slides, aiming to extract protein-level information more efficiently and cost-effectively. However, most existing stain translation techniques rely on a linearly weighted summation of multiple loss terms within a single objective function, strategy that often overlooks the interdepedence among these components-resulting in suboptimal image quality and an inability to simultaneously preserve structural authenticity and color fidelity. To address this limitation, we propose a novel network architecture that follows a progressive structure, incorporating color and cell border generation logic, which enables each visual aspect to be optimized in a stage-wise and decoupled manner. To validate the effectiveness of our proposed network architecture, we build upon the Adaptive Supervised PatchNCE (ASP) framework as our baseline. We introduce additional loss functions based on 3,3'-diaminobenzidine (DAB) chromogen concentration and image gradient, enhancing color fidelity and cell boundary clarity in the generated IHC images. By reconstructing the generation pipeline using our structure-color-cell boundary progressive mechanism, experiments on HER2 and ER datasets demonstrated that the model significantly improved visual quality and achieved finer structural details.
• Abstract（参考訳）: ヘマトキシリン・エオシン(H&E)染色と比較して、免疫組織化学(IHC)は組織サンプルの構造的特徴を維持するだけでなく、病理診断に不可欠な高分解能タンパク質の局在も提供する。 診断価値はあるものの、IHCは高価で労働集約的な技術である。 スケーラビリティの制限と多重化の制約により、特にリソース制限された設定において、広く採用されなくなる。 その結果、研究者たちは、H&EのスライスからIHCと同等の画像を合成し、タンパク質レベルの情報をより効率的に低コストで抽出することを目的として、計算的な染色翻訳技術を模索している。 しかし、既存のステントランスレーション技術の多くは、1つの目的関数内で複数の損失項を線形に重み付けした和法に依存しており、これらのコンポーネント間の干渉をしばしば見落としている。 この制限に対処するために,色とセル境界の生成ロジックを取り入れた,プログレッシブな構造を踏襲した新しいネットワークアーキテクチャを提案する。 提案するネットワークアーキテクチャの有効性を検証するため,Adaptive Supervised PatchNCE (ASP) フレームワークをベースラインとして構築した。 我々は,3,3'-ジアミノベンジジン(DAB)クロマトゲン濃度と画像勾配に基づく新たな損失関数を導入する。 構造-セル境界進行機構を用いて生成パイプラインを再構築することにより、HER2およびERデータセットの実験により、モデルが視覚的品質を著しく向上し、より微細な構造詳細が得られることを示した。

関連論文リスト

• Curvilinear Structure-preserving Unpaired Cross-domain Medical Image Translation [29.978321741632197]
  画像から画像への翻訳の欠如は, 医用画像の撮影において重要な技術である。 既存のアプローチは、しばしば微小血管のような微細な曲線構造を歪ませる。 本稿では,不対翻訳中の微細な曲線構造を明示的に保存するフレームワークであるCurvilinear Structure-Reserving Translation (CST)を提案する。
  論文  参考訳（メタデータ） (2025-10-22T15:24:32Z)
• PRINTER:Deformation-Aware Adversarial Learning for Virtual IHC Staining with In Situ Fidelity [18.922782766983378]
  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。
  論文  参考訳（メタデータ） (2025-09-01T07:53:05Z)
• 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)
• 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)
• "Principal Components" Enable A New Language of Images [79.45806370905775]
  証明可能なPCAのような構造を潜在トークン空間に組み込む新しい視覚トークン化フレームワークを導入する。 提案手法は、最先端の再構築性能を実現し、人間の視覚システムとの整合性を向上する。
  論文  参考訳（メタデータ） (2025-03-11T17:59:41Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Bridging Component Learning with Degradation Modelling for Blind Image Super-Resolution [69.11604249813304]
  視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。 CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。 本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-03T14:53:56Z)

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。