論文の概要: FluoCLIP: Stain-Aware Focus Quality Assessment in Fluorescence Microscopy

• arxiv url: http://arxiv.org/abs/2602.23791v1
• Date: Fri, 27 Feb 2026 08:35:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.321088
• Title: FluoCLIP: Stain-Aware Focus Quality Assessment in Fluorescence Microscopy
• Title（参考訳）: FluoCLIP:蛍光顕微鏡における注目品質評価
• Authors: Hyejin Park, Jiwon Yoon, Sumin Park, Suree Kim, Sinae Jang, Eunsoo Lee, Dongmin Kang, Dongbo Min,
• Abstract要約: 我々は,蛍光顕微鏡における焦点挙動を染色特性の関数としてモデル化する必要があることを強調して,染色認識FQAのタスクを定式化する。 本稿では,CLIPのアライメント機能を利用した2段階視覚言語フレームワークFluoCLIPを提案する。
• 参考スコア（独自算出の注目度）: 20.210229753442825
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate focus quality assessment (FQA) in fluorescence microscopy remains challenging, as the stain-dependent optical properties of fluorescent dyes cause abrupt and heterogeneous focus shifts. However, existing datasets and models overlook this variability, treating focus quality as a stain-agnostic problem. In this work, we formulate the task of stain-aware FQA, emphasizing that focus behavior in fluorescence microscopy must be modeled as a function of staining characteristics. Through quantitative analysis of existing datasets (FocusPath, BBBC006) and our newly curated FluoMix, we demonstrate that focus-rank relationships vary substantially across stains, underscoring the need for stain-aware modeling in fluorescence microscopy. To support this new formulation, we propose FluoMix, the first dataset for stain-aware FQA that encompasses multiple tissues, fluorescent stains, and focus variations. Building on this dataset, we propose FluoCLIP, a two-stage vision-language framework that leverages CLIP's alignment capability to interpret focus quality in the context of biological staining. In the stain-grounding phase, FluoCLIP learns general stain representations by aligning textual stain tokens with visual features, while in the stain-guided ranking phase, it optimizes stain-specific rank prompts for ordinal focus prediction. Together, our formulation, dataset, and framework establish the first foundation for stain-aware FQA, and FluoCLIP achieves strong generalization across diverse fluorescence microscopy conditions.
• Abstract（参考訳）: 蛍光顕微鏡における正確な焦点品質評価(FQA)は、蛍光色素の染色依存性の光学特性が急激で均一な焦点シフトを引き起こすため、依然として困難である。 しかし、既存のデータセットやモデルは、この可変性を見落とし、フォーカス品質をステンレスに依存しない問題として扱う。 本研究では,蛍光顕微鏡における焦点挙動を染色特性の関数としてモデル化する必要があることを強調して,染色対応FQAのタスクを定式化する。 既存のデータセット(FocusPath, BBBC006)と新たにキュレートしたFluoMixの定量的解析により,蛍光顕微鏡における染色-認識モデリングの必要性が強調された。 この新たな定式化をサポートするために、複数の組織、蛍光染色、フォーカス変動を含む染色認識FQAのための最初のデータセットであるFluoMixを提案する。 このデータセット上に構築されたFluoCLIPは,CLIPのアライメント機能を活用した2段階の視覚言語フレームワークで,生体染色の文脈における品質の重視を解釈する。 ステンドグラウンドでは、FluoCLIPはテキストステンドトークンを視覚的特徴と整列させることで一般的な染色表現を学習し、ステンドグラウンドランキングフェーズでは、オーディナルフォーカス予測のために、ステンド固有のランクプロンプトを最適化する。 また,FluoCLIPは多彩な蛍光顕微鏡条件にまたがって強力な一般化を実現している。

関連論文リスト

• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• Score-based Diffusion Model for Unpaired Virtual Histology Staining [7.648204151998162]
  ヘマトキシリンとエオシン(H&E)染色は組織学を可視化するが、診断マーカーには特異性がない。 ヘマトキシリンおよびエオシン(H&E)染色はタンパク質標的染色を提供するが、組織可用性と抗体特異性によって制限される。 仮想染色、すなわち組織構造を保存しながらH&E画像をIHCに変換することで、効率的なIHC生成が期待できる。 本研究では,相互情報を用いた仮想染色のためのスコアベース拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-29T11:02:45Z)
• VLM-based Prompts as the Optimal Assistant for Unpaired Histopathology Virtual Staining [11.462625986342681]
  病理組織学では、組織は一般的なH&E染色または特殊染色(MAS、PAS、PASMなど)を用いて染色され、特定の組織構造をはっきりと可視化する。 ディープラーニングの急速な進歩は、仮想的に染色された画像を生成する効果的なソリューションを提供する。 しかし, 染色剤による視覚的差異から, 組織切片の視覚的特徴を分離する上で, 新たな課題が生じる。
  論文  参考訳（メタデータ） (2025-04-22T02:46:13Z)
• Label-free prediction of fluorescence markers in bovine satellite cells using deep learning [0.0]
  ウシの衛星細胞(BSC)の質を評価することは、養殖肉産業にとって不可欠である。 本研究は, 深層学習を用いた孤立BSCにおける蛍光マーカー予測のためのラベルフリー手法を開発することを目的とする。
  論文  参考訳（メタデータ） (2024-10-17T15:47:12Z)
• Diffusion-driven lensless fiber endomicroscopic quantitative phase imaging towards digital pathology [43.237550839304774]
  マルチコアファイバ(MCF)の検出側で捕獲されたスペックルから直接位相像を再構成するためのスペックル条件拡散モデル(SpecDiffusion)を提案する。 従来のニューラルネットワークとは異なり、SpecDiffusionはスペックル駆動の位相再構成に反復的な位相分解ステップを採用している。 SpecDiffusionは高忠実度位相再構成結果を提供し、見えない物体に対して強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-07-26T01:42:31Z)
• Unsupervised Latent Stain Adaptation for Computational Pathology [2.483372684394528]
  スタン適応は、ターゲットの染色を一般化するソース染色のモデルをトレーニングすることで、異なる染色間の一般化誤差を低減することを目的としている。 我々は,Unsupervised Latent Stain Adaptation (ULSA) と呼ばれる,すべてのステンド画像を含む人工ラベル付きと非ラベル付きデータの共同トレーニングを提案する。 本手法では, 教師付き信号の増大のために, ラベル付きソース画像に合成対象画像を付加するために, ステンドトランスフォーメーションを用いる。
  論文  参考訳（メタデータ） (2024-06-27T11:08:42Z)
• Single Exposure Quantitative Phase Imaging with a Conventional Microscope using Diffusion Models [2.0760654993698426]
  TIE(Transport-of-Intensity Equation)はしばしば異なるデフォーカス距離で複数の取得を必要とする。 そこで本研究では,クロマティック収差を用いて,必要なスルーフォーカス画像を単一露光で誘導する手法を提案する。 我々の貢献は、色収差を利用した別のTIEアプローチを提供し、白色光による正確な単一露光位相測定を実現している。
  論文  参考訳（メタデータ） (2024-06-06T15:44:24Z)
• DualFocus: Integrating Macro and Micro Perspectives in Multi-modal Large Language Models [85.4852517178828]
  マルチモーダル大言語モデル(MLLM)におけるマクロ・マイクロ視点の統合フレームワークであるDualFocusについて述べる。 本研究は,DualFocusが総合的な洞察と詳細な検査のバランスをとる上で優れていることを示し,MLLMの幻覚例を著しく減らした。
  論文  参考訳（メタデータ） (2024-02-22T18:26:02Z)
• Fearless Luminance Adaptation: A Macro-Micro-Hierarchical Transformer for Exposure Correction [65.5397271106534]
  単一のニューラルネットワークは、すべての露光問題に対処することが難しい。 特に、コンボリューションは、極端に過度に露出した領域における忠実な色や詳細を復元する能力を妨げる。 本稿では,マクロマイクロ階層変換器を提案する。マクロマイクロ階層変換器は,長距離依存を捉えるマクロアテンション,局所特徴を抽出するマイクロアテンション,粗大な修正のための階層構造を提案する。
  論文  参考訳（メタデータ） (2023-09-02T09:07:36Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• 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)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)

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。