論文の概要: LGD-Net: Latent-Guided Dual-Stream Network for HER2 Scoring with Task-Specific Domain Knowledge

• arxiv url: http://arxiv.org/abs/2602.17793v1
• Date: Thu, 19 Feb 2026 19:51:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.124212
• Title: LGD-Net: Latent-Guided Dual-Stream Network for HER2 Scoring with Task-Specific Domain Knowledge
• Title（参考訳）: LGD-Net:タスク特化ドメイン知識を用いたHER2符号化のための遅延ガイド型デュアルストリームネットワーク
• Authors: Peide Zhu, Linbin Lu, Zhiqin Chen, Xiong Chen,
• Abstract要約: HER2の発現レベルを正確に回避し, 乳癌の評価と治療対象選択に役立てることが重要である。 H&Eスライドから直接HER2レベルを予測することは、潜在的な代替ソリューションとして現れている。 画素レベルの画像生成に代えて,クロスモーダルな特徴幻覚を利用する新しいフレームワークであるLatent-Guided Dual-Stream Network (LGD-Net)を提案する。
• 参考スコア（独自算出の注目度）: 7.483417319910564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is a critical task to evalaute HER2 expression level accurately for breast cancer evaluation and targeted treatment therapy selection. However, the standard multi-step Immunohistochemistry (IHC) staining is resource-intensive, expensive, and time-consuming, which is also often unavailable in many areas. Consequently, predicting HER2 levels directly from H&E slides has emerged as a potential alternative solution. It has been shown to be effective to use virtual IHC images from H&E images for automatic HER2 scoring. However, the pixel-level virtual staining methods are computationally expensive and prone to reconstruction artifacts that can propagate diagnostic errors. To address these limitations, we propose the Latent-Guided Dual-Stream Network (LGD-Net), a novel framework that employes cross-modal feature hallucination instead of explicit pixel-level image generation. LGD-Net learns to map morphological H&E features directly to the molecular latent space, guided by a teacher IHC encoder during training. To ensure the hallucinated features capture clinically relevant phenotypes, we explicitly regularize the model training with task-specific domain knowledge, specifically nuclei distribution and membrane staining intensity, via lightweight auxiliary regularization tasks. Extensive experiments on the public BCI dataset demonstrate that LGD-Net achieves state-of-the-art performance, significantly outperforming baseline methods while enabling efficient inference using single-modality H&E inputs.
• Abstract（参考訳）: HER2の発現レベルを正確に回避し, 乳癌の評価と治療対象選択に役立てることが重要である。 しかし、標準的な多段階免疫組織化学(IHC)染色は資源集約的で高価で時間を要するため、多くの地域では利用できないことが多い。 その結果、H&Eスライドから直接HER2レベルを予測することが、潜在的な代替ソリューションとして浮上した。 H&E画像から仮想IHC画像を使用することで,HER2の自動スコアリングに有効であることが示されている。 しかし, 画素レベルの仮想染色法は計算コストが高く, 診断誤差を伝播するアーティファクトの復元が困難である。 これらの制約に対処するために,明示的なピクセルレベルの画像生成ではなく,クロスモーダルな特徴幻覚を利用する新しいフレームワークであるLatent-Guided Dual-Stream Network (LGD-Net)を提案する。 LGD-Netは、トレーニング中に教師のIHCエンコーダが導いた、形態学的H&E機能を分子潜在空間に直接マッピングすることを学ぶ。 本研究は, 臨床的に関連のある表現型を捉えるために, タスク固有のドメイン知識, 特に核分布と膜染色強度を用いて, 軽量な補助的正規化タスクにより, モデルトレーニングを明示的に調整する。 公開BCIデータセットの大規模な実験により、LGD-Netは最先端のパフォーマンスを達成し、ベースライン法を著しく上回り、単一モードのH&E入力を用いた効率的な推論を可能にした。

関連論文リスト

• SDHSI-Net: Learning Better Representations for Hyperspectral Images via Self-Distillation [20.532231645997864]
  ハイパースペクトル画像(HSI)分類は、その高スペクトル次元と限られたラベル付きデータのために固有の課題を示す。 従来のディープラーニングモデルは、過度な適合と高い計算コストに悩まされることが多い。 自己蒸留 (SD) は、ネットワークが自身の予測から学習する知識蒸留の一種である。
  論文  参考訳（メタデータ） (2026-01-12T10:57:24Z)
• Transforming H&E images into IHC: A Variance-Penalized GAN for Precision Oncology [1.0972875392165036]
  本研究では,H&E染色組織試料から高忠実度IHC画像を生成するための高度な深層学習に基づく画像翻訳フレームワークを提案する。 ピラミッドピクス2ピクセルの損失関数を修飾することにより、生成逆数ネットワーク(GAN)の基本的制限であるモード崩壊を緩和する。 特にHER2陽性 (IHC 3+) 画像の翻訳に優れており, 複雑な形態変化のため, 既存の手法では困難である。
  論文  参考訳（メタデータ） (2025-06-23T07:57:22Z)
• Fast and Accurate Gigapixel Pathological Image Classification with Hierarchical Distillation Multi-Instance Learning [51.525891360380285]
  HDMILは階層的な蒸留マルチインスタンス学習フレームワークであり、無関係なパッチを排除して高速かつ正確な分類を実現する。 HDMILは、動的マルチインスタンスネットワーク(DMIN)と軽量インスタンスプレスクリーンネットワーク(LIPN)の2つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-02-28T15:10:07Z)
• Leveraging Transfer Learning and Multiple Instance Learning for HER2 Automatic Scoring of H\&E Whole Slide Images [1.0923877073891446]
  本研究は, (i) IHC 画像, (ii) H&E 画像, (iii) 非医学的画像に基づいて事前学習した深層学習モデルの性能について, 伝達学習の可能性を検討することである。 H&E画像に予めトレーニングされた埋め込みモデルは、他のモデルよりも一貫して優れており、平均的なAUCROC値は4つのHER2スコアで0.622ドルであった。
  論文  参考訳（メタデータ） (2024-11-05T09:44:48Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
  高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。 我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
  論文  参考訳（メタデータ） (2024-07-26T20:51:54Z)
• StainDiffuser: MultiTask Dual Diffusion Model for Virtual Staining [1.9029890402585894]
  ヘマトキシリンとエオシン(H&E)染色は、疾患の診断と腫瘍再発の追跡における病理の基準として広く見なされている。 ヘマトキシリンとエオシン(H&E)染色は、疾患の診断と腫瘍再発の追跡における病理の基準として広く見なされている。 その価値にもかかわらず、IHC染色は追加の時間と資源を必要とし、いくつかの臨床環境での使用を制限する。 近年のディープラーニングの進歩は、画像から画像への変換(I2I)を、IHCの計算的で費用対効果の高い代替手段として位置づけている。 我々は新しいマルチタスク拡散アーキテクチャであるSTAINDIFFを紹介する。
  論文  参考訳（メタデータ） (2024-03-17T20:47:52Z)
• Towards Accurate Guided Diffusion Sampling through Symplectic Adjoint Method [110.9458914721516]
  本研究では,2つの段階の勾配誘導を算出したSymphlectic Adjoint Guidance (SAG)を提案する。 SAGは、ガイド画像およびビデオ生成タスクのベースラインと比較して画質の高い画像を生成する。
  論文  参考訳（メタデータ） (2023-12-19T10:30:31Z)
• HDNet: High-resolution Dual-domain Learning for Spectral Compressive Imaging [138.04956118993934]
  HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。 一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。 一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
  論文  参考訳（メタデータ） (2022-03-04T06:37:45Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Exploiting generative self-supervised learning for the assessment of biological images with lack of annotations: a COVID-19 case-study [0.41998444721319217]
  GAN-DLはStyleGAN2アーキテクチャに基づく差別化学習機である。 本手法は, 分類作業だけでなく, 線量応答曲線の導出にも有効であることを示す。
  論文  参考訳（メタデータ） (2021-07-16T08:36:34Z)

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。