論文の概要: 3D-Guided Scalable Flow Matching for Generating Volumetric Tissue Spatial Transcriptomics from Serial Histology

• arxiv url: http://arxiv.org/abs/2511.14613v1
• Date: Tue, 18 Nov 2025 16:08:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.196131
• Title: 3D-Guided Scalable Flow Matching for Generating Volumetric Tissue Spatial Transcriptomics from Serial Histology
• Title（参考訳）: 3D-Guided Scalable Flow Matching for Generating Volumetric tissue space Transcriptomics from Serial Histology (特集 バイオサイバネティックスとバイオサイバネティックス)
• Authors: Mohammad Vali Sanian, Arshia Hemmat, Amirhossein Vahidi, Jonas Maaskola, Jimmy Tsz Hang Lee, Stanislaw Makarchuk, Yeliz Demirci, Nana-Jane Chipampe, Omer Bayraktar, Lassi Paavolainen, Mohammad Lotfollahi,
• Abstract要約: HoloTeaは3D対応のフローマッチングフレームワークで、隣接部からの情報を明示的に使用しながら、H&Eからスポットレベルの遺伝子発現を誘導する。 グローバルアテンションブロックは、スライド内のスポット数と線形に3D H&Eスケーリングを導入し、大規模な3D STデータセットのトレーニングと推論を可能にする。
• 参考スコア（独自算出の注目度）: 0.981937495272719
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A scalable and robust 3D tissue transcriptomics profile can enable a holistic understanding of tissue organization and provide deeper insights into human biology and disease. Most predictive algorithms that infer ST directly from histology treat each section independently and ignore 3D structure, while existing 3D-aware approaches are not generative and do not scale well. We present Holographic Tissue Expression Inpainting and Analysis (HoloTea), a 3D-aware flow-matching framework that imputes spot-level gene expression from H&E while explicitly using information from adjacent sections. Our key idea is to retrieve morphologically corresponding spots on neighboring slides in a shared feature space and fuse this cross section context into a lightweight ControlNet, allowing conditioning to follow anatomical continuity. To better capture the count nature of the data, we introduce a 3D-consistent prior for flow matching that combines a learned zero-inflated negative binomial (ZINB) prior with a spatial-empirical prior constructed from neighboring sections. A global attention block introduces 3D H&E scaling linearly with the number of spots in the slide, enabling training and inference on large 3D ST datasets. Across three spatial transcriptomics datasets spanning different tissue types and resolutions, HoloTea consistently improves 3D expression accuracy and generalization compared to 2D and 3D baselines. We envision HoloTea advancing the creation of accurate 3D virtual tissues, ultimately accelerating biomarker discovery and deepening our understanding of disease.
• Abstract（参考訳）: スケーラブルで堅牢な3D組織転写学プロファイルは、組織組織の全体的理解を可能にし、ヒトの生物学と疾患に関する深い洞察を提供する。 組織学から直接STを推定するほとんどの予測アルゴリズムは、各部位を独立に扱い、3D構造を無視するが、既存の3D認識アプローチは生成的ではなく、拡張性も良くない。 本稿では,H&Eからスポットレベルの遺伝子発現を誘導する3次元フローマッチングフレームワークHoloTeaについて述べる。 我々のキーとなるアイデアは、共有機能空間内の隣接するスライド上の形態的に対応するスポットを検索し、この断面コンテキストを軽量なコントロールネットに融合することで、コンディショニングが解剖学的連続性に従うことを可能にすることである。 そこで本研究では,学習したゼロインフレド負二項数(ZINB)と,隣接する区間から構築した空間経験的前駆体を組み合わせた,フローマッチングのための3D一貫性前駆体を提案する。 グローバルアテンションブロックは、スライド内のスポット数と線形に3D H&Eスケーリングを導入し、大規模な3D STデータセットのトレーニングと推論を可能にする。 異なる組織の種類と解像度にまたがる3つの空間転写学データセットの中で、HoloTeaは2Dおよび3Dベースラインと比較して、3D表現の精度と一般化を一貫して改善している。 HoloTeaは正確な3D仮想組織の作成を進め、最終的にはバイオマーカーの発見を加速し、病気の理解を深めることを期待しています。

関連論文リスト

• GeoPurify: A Data-Efficient Geometric Distillation Framework for Open-Vocabulary 3D Segmentation [57.8059956428009]
  2次元視覚言語モデルから3次元セマンティックセグメンテーションへ機能を移行しようとする最近の試みは、永続的なトレードオフを露呈している。 3次元教師モデルから抽出した幾何学的事前情報を用いて2次元VLM生成した3次元点特徴に小さな学生親和性ネットワークを適用したGeoPurifyを提案する。 遅延幾何学情報と学習された親和性ネットワークから恩恵を受けることで、GeoPurifyはトレードオフを効果的に軽減し、優れたデータ効率を実現する。
  論文  参考訳（メタデータ） (2025-10-02T16:37:56Z)
• AI-driven 3D Spatial Transcriptomics [38.59657032975772]
  本稿では,3次元組織形態と最小2次元STを利用したAIフレームワークVORTEXを提案する。 VORTEXは、遺伝子発現の一般的な組織関連およびサンプル特異的な形態的相関の両方を学習する。 低コストで最小限に破壊的な方法で体積分子の洞察を得ることにより、VORTEXはバイオマーカーの発見を加速すると予想する。
  論文  参考訳（メタデータ） (2025-02-25T01:31:54Z)
• HResFormer: Hybrid Residual Transformer for Volumetric Medical Image Segmentation [17.735791373128986]
  ビジョントランスフォーマーは、長距離依存を学習する能力により、医用画像セグメンテーションにおいて大きな優位性を示す。 医用画像分割のための新しいtextbfHybrid textbfResidual transtextbfFormer textbf(HResFormer)を提案する。
  論文  参考訳（メタデータ） (2024-12-16T05:32:28Z)
• ASIGN: An Anatomy-aware Spatial Imputation Graphic Network for 3D Spatial Transcriptomics [5.474354494412759]
  本稿では3次元空間転写学モデリングのための解剖学的認識型空間インプットグラフネットワーク(ASIGN)を提案する。 ASIGNは、層間オーバーラップと類似性に基づく拡張を利用して、既存の2次元空間関係を3Dに拡張する。 ASIGNは2Dシナリオと3Dシナリオの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-04T04:38:45Z)
• Bootstraping Clustering of Gaussians for View-consistent 3D Scene Understanding [59.51535163599723]
  FreeGSは、教師なしセマンティック組み込み3DGSフレームワークで、2Dラベルを必要とせずに、ビュー一貫性のある3Dシーン理解を実現する。 FreeGSは複雑なデータ前処理のワークロードを避けながら、最先端のメソッドと互換性がある。
  論文  参考訳（メタデータ） (2024-11-29T08:52:32Z)
• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• Generative Enhancement for 3D Medical Images [74.17066529847546]
  本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。 本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-19T15:57:04Z)
• Joint Self-Supervised Image-Volume Representation Learning with Intra-Inter Contrastive Clustering [31.52291149830299]
  自己教師付き学習は、ラベル付きデータから特徴表現を学習することで、ラベル付きトレーニングサンプルの欠如を克服することができる。 現在の医療分野におけるSSL技術のほとんどは、2D画像または3Dボリュームのために設計されている。 本研究では2次元および3次元データモダリティの教師なし共同学習のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-04T18:57:44Z)
• Cylinder3D: An Effective 3D Framework for Driving-scene LiDAR Semantic Segmentation [87.54570024320354]
  大規模運転シーンのLiDARセマンティックセマンティックセグメンテーションのための最先端の手法は、しばしば2D空間の点雲を投影して処理する。 3D-to-2Dプロジェクションの問題に取り組むための簡単な解決策は、3D表現を保ち、3D空間の点を処理することである。 我々は3次元シリンダー分割と3次元シリンダー畳み込みに基づくフレームワークをCylinder3Dとして開発し,3次元トポロジの関係と運転シーンの点雲の構造を利用する。
  論文  参考訳（メタデータ） (2020-08-04T13:56:19Z)
• Map3D: Registration Based Multi-Object Tracking on 3D Serial Whole Slide Images [10.519063258650508]
  本稿では,3Dオブジェクトの大規模断面の自動同定と関連付けを行う3D(Map3D)手法を提案する。 提案手法はMOTA=44.6であり,非ディープラーニングベンチマークよりも12.1%高い。
  論文  参考訳（メタデータ） (2020-06-10T19:31:02Z)

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。