Fugu-MT 論文翻訳(概要): Building Trust in Virtual Immunohistochemistry: Automated Assessment of Image Quality

論文の概要: Building Trust in Virtual Immunohistochemistry: Automated Assessment of Image Quality

arxiv url: http://arxiv.org/abs/2511.04615v1
Date: Thu, 06 Nov 2025 18:09:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-07 20:17:53.551916
Title: Building Trust in Virtual Immunohistochemistry: Automated Assessment of Image Quality
Title（参考訳）: 仮想免疫組織化学における信頼の構築:画像品質の自動評価
Authors: Tushar Kataria, Shikha Dubey, Mary Bronner, Jolanta Jedrzkiewicz, Ben J. Brintz, Shireen Y. Elhabian, Beatrice S. Knudsen,
Abstract要約: ディープラーニングモデルは、ヘマトキシリンとエオシン(H&E)画像から仮想化学(IHC)染色を生成することができる。我々は16対のペア画像または未ペア画像の翻訳モデルにまたがって画像品質を決定するための、自動的かつ精度の高い基盤フレームワークを提案する。
参考スコア（独自算出の注目度）: 3.8391050162498135
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning models can generate virtual immunohistochemistry (IHC) stains from hematoxylin and eosin (H&E) images, offering a scalable and low-cost alternative to laboratory IHC. However, reliable evaluation of image quality remains a challenge as current texture- and distribution-based metrics quantify image fidelity rather than the accuracy of IHC staining. Here, we introduce an automated and accuracy grounded framework to determine image quality across sixteen paired or unpaired image translation models. Using color deconvolution, we generate masks of pixels stained brown (i.e., IHC-positive) as predicted by each virtual IHC model. We use the segmented masks of real and virtual IHC to compute stain accuracy metrics (Dice, IoU, Hausdorff distance) that directly quantify correct pixel - level labeling without needing expert manual annotations. Our results demonstrate that conventional image fidelity metrics, including Frechet Inception Distance (FID), peak signal-to-noise ratio (PSNR), and structural similarity (SSIM), correlate poorly with stain accuracy and pathologist assessment. Paired models such as PyramidPix2Pix and AdaptiveNCE achieve the highest stain accuracy, whereas unpaired diffusion- and GAN-based models are less reliable in providing accurate IHC positive pixel labels. Moreover, whole-slide images (WSI) reveal performance declines that are invisible in patch-based evaluations, emphasizing the need for WSI-level benchmarks. Together, this framework defines a reproducible approach for assessing the quality of virtual IHC models, a critical step to accelerate translation towards routine use by pathologists.
Abstract（参考訳）: 深層学習モデルは、ヘマトキシリンとエオシン(H&E)画像から仮想免疫組織化学(IHC)染色を生成し、実験室のIHCに代わるスケーラブルで低コストな代替手段を提供する。しかし、現在のテクスチャと分布に基づくメトリクスは、IHC染色の精度よりも画像の忠実度を定量化しているため、画像品質の信頼性評価は依然として課題である。ここでは16対のペア画像または未ペア画像の翻訳モデル間で画像品質を決定するための,自動的かつ精度の高い基盤フレームワークを提案する。カラーデコンボリューション(英語版)を用いて、仮想IHCモデルによって予測される、黒色(すなわち、IHC陽性)の画素のマスクを生成する。我々は、実際のIHCと仮想IHCのセグメンテッドマスクを使用して、専門家の手動アノテーションを必要とせずに、正確なピクセルレベルのラベルを直接定量化する染色精度メトリクス(Dice, IoU, Hausdorff 距離)を計算します。以上の結果から,Frechet Inception Distance (FID), peak signal-to-noise ratio (PSNR), structure similarity (SSIM) などの従来の画像忠実度指標は,染色精度や病理組織学的評価と相関が低いことが示唆された。ピラミドPix2PixやAdaptiveNCEのようなペアドモデルは最も高い染色精度を達成するが、未ペアド拡散およびGANベースのモデルは正確なIHC正のピクセルラベルを提供するには信頼性が低い。さらに、全スライディング画像(WSI)は、パッチベースの評価では見えない性能低下を明らかにし、WSIレベルのベンチマークの必要性を強調している。このフレームワークは、仮想IHCモデルの品質を評価する再現可能なアプローチを定義するとともに、病理学者による日常的な使用に向けての翻訳を加速するための重要なステップである。

関連論文リスト

Biology-driven assessment of deep learning super-resolution imaging of the porosity network in dentin [3.6401695744986866]
歯のメカノセンスシステムは、象牙質を介して伸びる多孔性ネットワークを流れる流体による象牙芽細胞細胞刺激に部分的に依存していると考えられている。最小のサブ顕微鏡ポロシティ容器を可視化するには、共焦点蛍光顕微鏡による最も高い分解能が必要である。我々は、低解像度画像の高速な取得と、後処理による最適な画像品質の回復を可能にするために、異なる深層学習(DL)超解像(SR)モデルを試験した。
論文参考訳（メタデータ） (2025-10-09T16:26:38Z)
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)
ImplicitStainer: Data-Efficient Medical Image Translation for Virtual Antibody-based Tissue Staining Using Local Implicit Functions [1.9029890402585894]
ヘマトキシリンとエオシン(H&E)染色は病理の顕微鏡診断における金の標準である。ヘマトキシリンとエオシン(H&E)染色は病理の顕微鏡診断における金の標準である。ヘマトキシリンとエオシン(H&E)染色は、必要な全ての診断情報をキャプチャするわけではない。
論文参考訳（メタデータ） (2025-05-14T22:22:52Z)
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)
Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文参考訳（メタデータ） (2024-11-28T13:04:45Z)
Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文参考訳（メタデータ） (2023-01-24T17:54:01Z)
Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文参考訳（メタデータ） (2022-04-11T17:29:36Z)
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)
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)
StainNet: a fast and robust stain normalization network [0.7796684624647288]
本稿では、StainNetという1.28Kパラメータのみを持つ高速かつ堅牢な染色正規化ネットワークを提案する。提案手法は染色正常化が良好であり,精度と画質が向上した。
論文参考訳（メタデータ） (2020-12-23T08:16:27Z)
Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and Wild [98.48284827503409]
我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。 6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
論文参考訳（メタデータ） (2020-05-28T13:35:23Z)

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。