論文の概要: Topology-aware Pathological Consistency Matching for Weakly-Paired IHC Virtual Staining

• arxiv url: http://arxiv.org/abs/2601.02806v1
• Date: Tue, 06 Jan 2026 08:28:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.856547
• Title: Topology-aware Pathological Consistency Matching for Weakly-Paired IHC Virtual Staining
• Title（参考訳）: 弱体化IHC仮想染色におけるトポロジーを考慮した病理組織的整合性マッチング
• Authors: Mingzhou Jiang, Jiaying Zhou, Nan Zeng, Mickael Li, Qijie Tang, Chao He, Huazhu Fu, Honghui He,
• Abstract要約: 本稿では,H&E-to-IHC仮想染色のための新しいトポロジ対応フレームワークを提案する。 具体的には,グラフのコントラスト学習とトポロジ的摂動を利用したトポロジ対応の一貫性マッチング機構を提案する。 本手法は最先端の手法より優れ,高い臨床関連性を有する優れた世代品質を達成できる。
• 参考スコア（独自算出の注目度）: 37.3879490506952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Immunohistochemical (IHC) staining provides crucial molecular characterization of tissue samples and plays an indispensable role in the clinical examination and diagnosis of cancers. However, compared with the commonly used Hematoxylin and Eosin (H&E) staining, IHC staining involves complex procedures and is both time-consuming and expensive, which limits its widespread clinical use. Virtual staining converts H&E images to IHC images, offering a cost-effective alternative to clinical IHC staining. Nevertheless, using adjacent slides as ground truth often results in weakly-paired data with spatial misalignment and local deformations, hindering effective supervised learning. To address these challenges, we propose a novel topology-aware framework for H&E-to-IHC virtual staining. Specifically, we introduce a Topology-aware Consistency Matching (TACM) mechanism that employs graph contrastive learning and topological perturbations to learn robust matching patterns despite spatial misalignments, ensuring structural consistency. Furthermore, we propose a Topology-constrained Pathological Matching (TCPM) mechanism that aligns pathological positive regions based on node importance to enhance pathological consistency. Extensive experiments on two benchmarks across four staining tasks demonstrate that our method outperforms state-of-the-art approaches, achieving superior generation quality with higher clinical relevance.
• Abstract（参考訳）: 免疫組織化学的(IHC)染色は、組織サンプルの重要な分子的特徴を提供し、がんの臨床的検査と診断に必須の役割を果たす。 しかし、よく使われるヘマトキシリンやエオシン(H&E)染色と比較して、IHC染色は複雑な手順を伴い、時間と費用がかかり、臨床利用が制限される。 仮想染色は、H&E画像をIHC画像に変換し、臨床IHC染色に代わる費用対効果を提供する。 それでも、隣接するスライドを真実として使うと、空間的不整合や局所的な変形を伴う弱いペアリングデータとなり、効果的な教師付き学習を妨げることがしばしばある。 これらの課題に対処するために,H&E-to-IHC仮想染色のための新しいトポロジ対応フレームワークを提案する。 具体的には,空間的不整合にもかかわらず頑健なマッチングパターンを学習し,構造的整合性を確保するために,グラフコントラスト学習と位相摂動を用いたTopology-Aware Consistency Matching (TACM) 機構を導入する。 さらに,病的整合性を高めるために,ノードの重要度に基づいて病的正の領域を整列させるトポロジ制約型病理マッチング(TCPM)機構を提案する。 4つの染色課題にまたがる2つのベンチマーク実験により、本手法は最先端の手法よりも優れ、高い臨床関連性でより優れた生成品質を達成できることを示した。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Deep learning-enabled virtual multiplexed immunostaining of label-free tissue for vascular invasion assessment [5.3528119597796655]
  ERGとPanCKを同時に生成する,深層学習に基づく仮想多重免疫染色フレームワークを提案する。 この技術は、蛍光顕微鏡画像にラベルのない組織切片をベースとしている。 その出力画像は、同じ組織部位の組織化学的染色物(ERG、PanCK、H&E)と密接に一致している。
  論文  参考訳（メタデータ） (2025-08-22T08:31:03Z)
• 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)
• USIGAN: Unbalanced Self-Information Feature Transport for Weakly Paired Image IHC Virtual Staining [10.058934738389793]
  我々は,IHC仮想染色のための非平衡自己情報機能トランスポートUSIGANを提案する。 本研究は, 連接限界分布における弱対項を除去し, 結果のコンテント一貫性と病理的セマンティック一貫性を著しく改善する。 本手法はIoDやPearson-Rの相関など,複数の臨床的に重要な指標に対して優れた性能を示し,臨床関連性の向上を実証する。
  論文  参考訳（メタデータ） (2025-07-08T10:14:04Z)
• 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)
• Digital staining in optical microscopy using deep learning -- a review [47.86254766044832]
  デジタル染色は、光学的コントラストから実際の染色の確立された生化学的コントラストへの翻訳に近代的な深層学習を利用するための有望な概念として登場した。 この分野の現状を詳細に分析し、優れた実践方法を提案し、落とし穴と課題を特定し、将来の実装やアプリケーションに向けた将来的な進歩を仮定する。
  論文  参考訳（メタデータ） (2023-03-14T15:23:48Z)
• 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)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。