論文の概要: PAINT: Pathology-Aware Integrated Next-Scale Transformation for Virtual Immunohistochemistry

• arxiv url: http://arxiv.org/abs/2601.16024v1
• Date: Thu, 22 Jan 2026 14:49:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.629916
• Title: PAINT: Pathology-Aware Integrated Next-Scale Transformation for Virtual Immunohistochemistry
• Title（参考訳）: PaINT:仮想免疫組織化学のための病理組織学的統合的次世代形質転換
• Authors: Rongze Ma, Mengkang Lu, Zhenyu Xiang, Yongsheng Pan, Yicheng Wu, Qingjie Zeng, Yong Xia,
• Abstract要約: 仮想化学は、通常のヘマトキシリンとエオシン(H&E)画像から分子染色パターンを計算的に合成することを目的としている。 本稿では,合成過程を構造第一条件生成タスクとして再構成する視覚的自己回帰フレームワークPAINTを提案する。
• 参考スコア（独自算出の注目度）: 17.230315436967356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Virtual immunohistochemistry (IHC) aims to computationally synthesize molecular staining patterns from routine Hematoxylin and Eosin (H\&E) images, offering a cost-effective and tissue-efficient alternative to traditional physical staining. However, this task is particularly challenging: H\&E morphology provides ambiguous cues about protein expression, and similar tissue structures may correspond to distinct molecular states. Most existing methods focus on direct appearance synthesis to implicitly achieve cross-modal generation, often resulting in semantic inconsistencies due to insufficient structural priors. In this paper, we propose Pathology-Aware Integrated Next-Scale Transformation (PAINT), a visual autoregressive framework that reformulates the synthesis process as a structure-first conditional generation task. Unlike direct image translation, PAINT enforces a causal order by resolving molecular details conditioned on a global structural layout. Central to this approach is the introduction of a Spatial Structural Start Map (3S-Map), which grounds the autoregressive initialization in observed morphology, ensuring deterministic, spatially aligned synthesis. Experiments on the IHC4BC and MIST datasets demonstrate that PAINT outperforms state-of-the-art methods in structural fidelity and clinical downstream tasks, validating the potential of structure-guided autoregressive modeling.
• Abstract（参考訳）: 仮想免疫組織化学(IHC)は、通常のヘマトキシリンとエオシン(H\&E)の画像から分子染色パターンを計算的に合成することを目的としており、従来の物理染色に代わる費用対効果と組織効率を提供する。 しかし、この課題は特に困難であり、H&E形態はタンパク質の発現に関する曖昧な手がかりを与え、類似した組織構造は異なる分子状態に対応する可能性がある。 既存のほとんどの手法は、暗黙的にクロスモーダル生成を達成するために直接的な外見合成に焦点を当てており、しばしば構造的前提が不十分なために意味的不整合をもたらす。 本稿では,合成過程を構造第一条件生成タスクとして再構成する視覚的自己回帰フレームワークPAINTを提案する。 直接画像変換とは異なり、PAINTは、グローバルな構造配置で条件付けられた分子の詳細を解決して因果順序を強制する。 このアプローチの中心は空間構造開始マップ(3S-Map)の導入であり、これは観測形態学における自己回帰的初期化を基礎とし、決定論的、空間的に整合した合成を保証する。 IHC4BCとMISTデータセットの実験では、PAINTは構造的忠実性や臨床的下流タスクにおいて最先端の手法より優れており、構造誘導自己回帰モデリングの可能性を検証する。

関連論文リスト

• Dynamics-inspired Structure Hallucination for Protein-protein Interaction Modeling [60.57197355431804]
  タンパク質とタンパク質の相互作用 (PPI) は生物学の中心的な課題である。 深層学習は、このような変異の影響を予測することは約束されているが、2つの主要な制約によって妨げられている。 本稿では,Refine-PPIという新しいフレームワークについて述べる。
  論文  参考訳（メタデータ） (2026-01-08T19:29:04Z)
• 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)
• HiFusion: Hierarchical Intra-Spot Alignment and Regional Context Fusion for Spatial Gene Expression Prediction from Histopathology [7.982889842329205]
  HiFusionは、2つの補完的なコンポーネントを統合する新しいディープラーニングフレームワークである。 HiFusionは,2次元のスライドワイドクロスバリデーションと,より困難な3次元サンプル固有シナリオの両面において,最先端のパフォーマンスを実現する。 これらの結果は、定期的な病理組織学からのST推論の堅牢で正確でスケーラブルな解としてのHiFusionの可能性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-11-17T04:47:39Z)
• Progressive Translation of H&E to IHC with Enhanced Structural Fidelity [8.881744407746845]
  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。
  論文  参考訳（メタデータ） (2025-11-03T16:06:46Z)
• 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)
• AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
  構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。 我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。 次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
  論文  参考訳（メタデータ） (2024-04-02T14:44:02Z)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ Histopathology Image Synthesis [63.845552349914186]
  本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。 4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
  論文  参考訳（メタデータ） (2022-09-02T16:45:46Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)

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。