論文の概要: UNIStainNet: Foundation-Model-Guided Virtual Staining of H&E to IHC

• arxiv url: http://arxiv.org/abs/2603.12716v1
• Date: Fri, 13 Mar 2026 07:02:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.95401
• Title: UNIStainNet: Foundation-Model-Guided Virtual Staining of H&E to IHC
• Title（参考訳）: UNIStainNet: ファンデーションモデルによるH&EからIHCへの仮想ステンリング
• Authors: Jillur Rahman Saurav, Thuong Le Hoai Pham, Pritam Mukherjee, Paul Yi, Brent A. Orr, Jacob M. Luber,
• Abstract要約: ヘマトキシリンおよびエオシン(H&E)画像からの仮想化学(IHC)染色は診断を加速することができる。 凍結病基盤モデル(UNI)から密集した空間トークンを条件としたSPADE-UNetであるUNIStainNetを提案する。 ミスアライメント・アウェア・ロス・スイートは、染色精度を保ち、学習された染色は、単一のモデルが複数のIHCマーカーを同時に提供することを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Virtual immunohistochemistry (IHC) staining from hematoxylin and eosin (H&E) images can accelerate diagnostics by providing preliminary molecular insight directly from routine sections, reducing the need for repeat sectioning when tissue is limited. Existing methods improve realism through contrastive objectives, prototype matching, or domain alignment, yet the generator itself receives no direct guidance from pathology foundation models. We present UNIStainNet, a SPADE-UNet conditioned on dense spatial tokens from a frozen pathology foundation model (UNI), providing tissue-level semantic guidance for stain translation. A misalignment-aware loss suite preserves stain quantification accuracy, and learned stain embeddings enable a single model to serve multiple IHC markers simultaneously. On MIST, UNIStainNet achieves state-of-the-art distributional metrics on all four stains (HER2, Ki67, ER, PR) from a single unified model, where prior methods typically train separate per-stain models. On BCI, it also achieves the best distributional metrics. A tissue-type stratified failure analysis reveals that remaining errors are systematic, concentrating in non-tumor tissue. Code is available at https://github.com/facevoid/UNIStainNet.
• Abstract（参考訳）: ヘマトキシリンおよびエオシン(H&E)画像から染色された仮想免疫組織化学(IHC)は、定期的な部位から直接予備的な分子的洞察を提供することで診断を加速し、組織が制限されたときに繰り返し切断する必要性を減らすことができる。 既存の手法は、対照的な目的、プロトタイプマッチング、ドメインアライメントを通じてリアリズムを改善するが、ジェネレータ自身は病理基盤モデルから直接のガイダンスを受け取らない。 凍結した病理基盤モデル(UNI)から密集した空間トークンを条件としたSPADE-UNetであるUNIStainNetについて述べる。 ミスアライメント・アウェア・ロス・スイートは、染色量化の精度を保ち、学習された染色は、1つのモデルが複数のICCマーカーを同時に提供することを可能にする。 MISTでは、UNIStainNetは単一の統一モデルから4つの染色(HER2, Ki67, ER, PR)すべてに対して、最先端の分散メトリクスを達成している。 BCIでは、最高の分散メトリクスも達成します。 組織型層状不全解析では、残りのエラーは組織的であり、非腫瘍組織に集中していることが明らかになった。 コードはhttps://github.com/facevoid/UNIStainNetで入手できる。

関連論文リスト

• Physically-Grounded Manifold Projection Model for Generalizable Metal Artifact Reduction in Dental CBCT [20.637726557566793]
  歯科用CBCTの金属遺物は極めて不明瞭な解剖学的構造である。 現在のMAR(Metal Artifact Reduction)の深層学習は制限に直面している。 Denoising Diffusion Models (DDPM) はリアリズムを提供するが、遅い反復的なサンプリングに依存している。
  論文  参考訳（メタデータ） (2025-12-30T14:36:26Z)
• From Pixels to Pathology: Restoration Diffusion for Diagnostic-Consistent Virtual IHC [37.284994932355865]
  本稿では,仮想染色を画像復元タスクとして再構成する構造対応染色復元拡散モデルであるStar-Diffを紹介する。 残留物とノイズに基づく生成経路を組み合わせることで、スターディフは現実的なバイオマーカーの変動をモデル化しながら組織構造を維持する。 BCIデータセットの実験は、Star-Diffが視覚的忠実度と診断関連性の両方で最先端(SOTA)のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-08-04T15:36:58Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• SCFANet: Style Distribution Constraint Feature Alignment Network For Pathological Staining Translation [0.11999555634662631]
  SCFANet(Style Distribution Constraint Feature Alignment Network) SCFANetはStyle Distribution Constrainer(SDC)とFeature Alignment Learning(FAL)の2つの革新的なモジュールを組み込んでいる。 我々のSCFANetモデルは既存の手法より優れており、H&E画像の正確なIHC画像への変換を実現している。
  論文  参考訳（メタデータ） (2025-04-01T07:29:53Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Derivative-Free Diffusion Manifold-Constrained Gradient for Unified XAI [59.96044730204345]
  微分自由拡散多様体制約勾配(FreeMCG)を導入する。 FreeMCGは、与えられたニューラルネットワークの説明可能性を改善する基盤として機能する。 提案手法は,XAIツールが期待する本質性を保ちながら,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:15:14Z)
• Structural Cycle GAN for Virtual Immunohistochemistry Staining of Gland Markers in the Colon [1.741980945827445]
  ヘマトキシリンとエオシン(H&E)染色は疾患解析、診断、グレーディングにおいて最も頻繁に用いられる染色の一つである。 病理学者は、特定の構造や細胞を分析するために異種化学染色(IHC)を必要とする。 ヘマトキシリンとエオシン(H&E)染色は疾患解析、診断、グレーディングにおいて最も頻繁に用いられる染色の一つである。
  論文  参考訳（メタデータ） (2023-08-25T05:24:23Z)

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。