論文の概要: PathoGen: Diffusion-Based Synthesis of Realistic Lesions in Histopathology Images
- arxiv url: http://arxiv.org/abs/2601.08127v1
- Date: Tue, 13 Jan 2026 01:45:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-14 18:27:19.006782
- Title: PathoGen: Diffusion-Based Synthesis of Realistic Lesions in Histopathology Images
- Title（参考訳）: PathoGen: 組織像における拡散に基づく現実性病変の合成
- Authors: Mohamad Koohi-Moghadam, Mohammad-Ali Nikouei Mahani, Kyongtae Tyler Bae,
- Abstract要約: 良性病理像への病変の高忠実な塗布を可能にする拡散モデルPathoGenを提案する。
PathoGenは、腎臓、皮膚、乳房、前立腺病理の4つの異なる診断課題を示す。
- 参考スコア（独自算出の注目度）: 1.2298464939022784
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The development of robust artificial intelligence models for histopathology diagnosis is severely constrained by the scarcity of expert-annotated lesion data, particularly for rare pathologies and underrepresented disease subtypes. While data augmentation offers a potential solution, existing methods fail to generate sufficiently realistic lesion morphologies that preserve the complex spatial relationships and cellular architectures characteristic of histopathological tissues. Here we present PathoGen, a diffusion-based generative model that enables controllable, high-fidelity inpainting of lesions into benign histopathology images. Unlike conventional augmentation techniques, PathoGen leverages the iterative refinement process of diffusion models to synthesize lesions with natural tissue boundaries, preserved cellular structures, and authentic staining characteristics. We validate PathoGen across four diverse datasets representing distinct diagnostic challenges: kidney, skin, breast, and prostate pathology. Quantitative assessment confirms that PathoGen outperforms state-of-the-art generative baselines, including conditional GAN and Stable Diffusion, in image fidelity and distributional similarity. Crucially, we show that augmenting training sets with PathoGen-synthesized lesions enhances downstream segmentation performance compared to traditional geometric augmentations, particularly in data-scarce regimes. Besides, by simultaneously generating realistic morphology and pixel-level ground truth, PathoGen effectively overcomes the manual annotation bottleneck. This approach offers a scalable pathway for developing generalizable medical AI systems despite limited expert-labeled data.
- Abstract（参考訳）: 病理組織診断のための堅牢な人工知能モデルの開発は、特に稀な病理と低発現の疾患のサブタイプについて、専門家による病変データの不足によって厳しく制限されている。
データ拡張は潜在的な解決策を提供するが、既存の手法では、複雑な空間的関係と病理組織に特徴的な細胞構造を保存できる十分な現実的な病変形態を生成できない。
下記のPathoGenは、病変の良性病理像への制御可能な高忠実な塗布を可能にする拡散モデルである。
従来の拡張技術とは異なり、PathoGenは拡散モデルの反復的洗練プロセスを利用して、天然組織の境界、保存された細胞構造、および真の染色特性を持つ病変を合成する。
PathoGenは、腎臓、皮膚、乳房、前立腺病理の4つの異なる診断課題を示す。
定量的評価により、PathoGenは条件付きGANや安定拡散を含む最先端の生成ベースラインを画像の忠実度や分布類似性で上回っていることが確認された。
重要なこととして,PathoGen合成病変を用いたトレーニングセットの強化は,従来の幾何学的拡張よりも下流のセグメンテーション性能を高めることが示されている。
さらに、現実的な形態学とピクセルレベルの地上真実を同時に生成することにより、PathoGenは手動のアノテーションボトルネックを効果的に克服する。
このアプローチは、専門家ラベルの限られたデータにもかかわらず、一般化可能な医療AIシステムを開発するためのスケーラブルなパスを提供する。
関連論文リスト
- R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。
本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。
R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において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） (2025-12-22T02:54:10Z) - 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) - Anatomy-DT: A Cross-Diffusion Digital Twin for Anatomical Evolution [13.83306392535935]
腫瘍の進行を周囲の解剖と共にモデル化し、疾患のダイナミックスに関する包括的かつ臨床的に関係のある理解を得ることが重要である。
偏微分方程式を微分可能な深層学習で結合する数学的基盤の枠組みを導入する。
この研究は、視覚的に現実的で排他的で、位相的に一貫したデジタル双生児のための解剖学から解剖学への原則的な道を確立する。
論文 参考訳（メタデータ） (2025-09-29T04:28:35Z) - Pathology-Informed Latent Diffusion Model for Anomaly Detection in Lymph Node Metastasis [4.752488016988911]
異常検出は、疾患の診断に効率的に効果的にデータを活用できるデジタル病理学における新たなアプローチである。
デジタル病理学における教師なし異常検出のための拡散モデルを用いた視覚言語モデルを提案する。
本手法では, 正常組織に関連付けられた病理関連キーワードを用いて再建過程を導出する。
論文 参考訳（メタデータ） (2025-08-21T04:48:55Z) - 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) - Integrating Pathology Foundation Models and Spatial Transcriptomics for Cellular Decomposition from Histology Images [0.0]
組織像から直接細胞組成を予測するための軽量で訓練効率の良い手法を提案する。
細胞2位法により誘導される細胞型多量体に対する軽量多層パーセプトロン (MLP) レジストレータの訓練により, 本手法は病理基盤モデルから効率的に知識を抽出する。
論文 参考訳（メタデータ） (2025-07-09T16:43:04Z) - Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。
本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
論文 参考訳（メタデータ） (2025-04-20T01:54:18Z) - Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
論文 参考訳（メタデータ） (2024-12-30T01:59:34Z) - Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion [4.410798232767917]
病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。
腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
論文 参考訳（メタデータ） (2024-06-04T16:47:47Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z)
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。