論文の概要: VISTA-PATH: An interactive foundation model for pathology image segmentation and quantitative analysis in computational pathology

• arxiv url: http://arxiv.org/abs/2601.16451v1
• Date: Fri, 23 Jan 2026 05:06:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.548149
• Title: VISTA-PATH: An interactive foundation model for pathology image segmentation and quantitative analysis in computational pathology
• Title（参考訳）: VISTA-PATH:計算病理学における画像分割と定量的解析のための対話的基礎モデル
• Authors: Peixian Liang, Songhao Li, Shunsuke Koga, Yutong Li, Zahra Alipour, Yucheng Tang, Daguang Xu, Zhi Huang,
• Abstract要約: VISTA-PATHは、対話型、クラス対応の病理分類基盤モデルである。 臨床的解釈に直接意味のあるピクセルレベルのセグメンテーションを生成する。 VISTA-PATHは計算病理学において好適なモデルであることを示す。
• 参考スコア（独自算出の注目度）: 12.972784296124756
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate semantic segmentation for histopathology image is crucial for quantitative tissue analysis and downstream clinical modeling. Recent segmentation foundation models have improved generalization through large-scale pretraining, yet remain poorly aligned with pathology because they treat segmentation as a static visual prediction task. Here we present VISTA-PATH, an interactive, class-aware pathology segmentation foundation model designed to resolve heterogeneous structures, incorporate expert feedback, and produce pixel-level segmentation that are directly meaningful for clinical interpretation. VISTA-PATH jointly conditions segmentation on visual context, semantic tissue descriptions, and optional expert-provided spatial prompts, enabling precise multi-class segmentation across heterogeneous pathology images. To support this paradigm, we curate VISTA-PATH Data, a large-scale pathology segmentation corpus comprising over 1.6 million image-mask-text triplets spanning 9 organs and 93 tissue classes. Across extensive held-out and external benchmarks, VISTA-PATH consistently outperforms existing segmentation foundation models. Importantly, VISTA-PATH supports dynamic human-in-the-loop refinement by propagating sparse, patch-level bounding-box annotation feedback into whole-slide segmentation. Finally, we show that the high-fidelity, class-aware segmentation produced by VISTA-PATH is a preferred model for computational pathology. It improve tissue microenvironment analysis through proposed Tumor Interaction Score (TIS), which exhibits strong and significant associations with patient survival. Together, these results establish VISTA-PATH as a foundation model that elevates pathology image segmentation from a static prediction to an interactive and clinically grounded representation for digital pathology. Source code and demo can be found at https://github.com/zhihuanglab/VISTA-PATH.
• Abstract（参考訳）: 病理組織像の正確なセマンティックセグメンテーションは、定量的組織解析および下流臨床モデルに不可欠である。 最近のセグメンテーション基礎モデルでは、大規模な事前訓練によって一般化が改善されているが、セグメンテーションを静的な視覚的予測タスクとして扱うため、病理との整合性は乏しい。 ここでは、異種構造を解決し、専門家のフィードバックを取り入れ、臨床解釈に直接意味のあるピクセルレベルのセグメンテーションを生成するために設計された、インタラクティブなクラス認識型病理セグメンテーション基盤モデルであるVISTA-PATHを提案する。 VISTA-PATHは、視覚的コンテキスト、意味組織の記述、およびオプションの専門家が提供する空間的プロンプトに基づいて、共同でセグメンテーションを条件付け、異種病理画像間の正確なマルチクラスセグメンテーションを可能にする。 このパラダイムをサポートするために,9臓器と93の組織クラスにまたがる1.6万以上の画像マスクテキスト三重項からなる大規模病理分類コーパスであるVISTA-PATHデータ(VISTA-PATH Data)をキュレートした。 VISTA-PATHは広範囲なベンチマークと外部ベンチマークで、既存のセグメンテーション基盤モデルより一貫して優れている。 重要な点として、VISTA-PATHは、スパースでパッチレベルのバウンディングボックスアノテーションフィードバックをスライディング全体セグメンテーションに伝播させることにより、ダイナミックなヒューマン・イン・ザ・ループの洗練をサポートする。 最後に、VISTA-PATHによって生成される高忠実なクラス認識セグメンテーションが、計算病理学の好ましいモデルであることを示す。 腫瘍相互作用スコア(TIS)による組織微小環境解析を改良し、患者生存と強く重要な関連性を示す。 これらの結果から,VISTA-PATHは静的な予測からデジタル病理学のインタラクティブかつ臨床基礎的な表現へと,病理像のセグメンテーションを高める基盤モデルとして確立した。 ソースコードとデモはhttps://github.com/zhihuanglab/VISTA-PATHで見ることができる。

関連論文リスト

• PULSE: A Unified Multi-Task Architecture for Cardiac Segmentation, Diagnosis, and Few-Shot Cross-Modality Clinical Adaptation [0.27998963147546135]
  PULSEは、自己教師付き表現に基づいて構築され、複合的な監視戦略によって最適化されたマルチタスク視覚言語フレームワークである。 マルチスケールトークン再構成デコーダは解剖学的セグメンテーションを可能にし、共有グローバル表現は疾患分類と臨床背景テキスト出力をサポートする。 従来のタスク固有のパイプラインとは異なり、PULSEはタスク不変の心臓前兆を学習し、データセット間で堅牢に一般化し、最小限の監視で新しい画像モダリティに適応することができる。
  論文  参考訳（メタデータ） (2025-12-03T14:49:01Z)
• DTEA: Dynamic Topology Weaving and Instability-Driven Entropic Attenuation for Medical Image Segmentation [31.50032207382483]
  スキップ接続は、グローバルコンテキストをマージし、エンコーダとデコーダのセマンティックギャップを減らすために使用される。 本稿では,セマンティックトポロジ再構成(STR)とエントロピー摂動ゲーティング(EPG)モジュールを用いた新しいスキップ接続フレームワークを特徴とするDTEAモデルを提案する。
  論文  参考訳（メタデータ） (2025-10-13T10:50:41Z)
• Multimodal Prototype Alignment for Semi-supervised Pathology Image Segmentation [9.790130257265217]
  MPAMatchは,マルチモーダルプロトタイプ誘導監視パラダイムの下で画素レベルのコントラスト学習を行う,新たなセグメンテーションフレームワークである。 MPAMatchの中核的な革新は、画像プロトタイプとピクセルラベル、およびテキストプロトタイプとピクセルラベルの間の二重コントラスト学習方式にある。 さらに,ViTバックボーンを病理予知基盤モデル(Uni)に置き換えることで,古典的セグメンテーションアーキテクチャ(TransUNet)を再構築する。
  論文  参考訳（メタデータ） (2025-08-27T05:15:13Z)
• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• Segment Anything in Pathology Images with Natural Language [10.525414795571393]
  PathSegmentorは、病理画像に特化して設計された最初のテキストプロンプトセグメンテーション基盤モデルである。 PathSegは、病理分類のための最大かつ最も包括的なデータセットである。
  論文  参考訳（メタデータ） (2025-06-26T04:01:40Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)

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。