論文の概要: Segmentation-before-Staining Improves Structural Fidelity in Virtual IHC-to-Multiplex IF Translation
- arxiv url: http://arxiv.org/abs/2603.16160v1
- Date: Tue, 17 Mar 2026 06:25:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:07.129758
- Title: Segmentation-before-Staining Improves Structural Fidelity in Virtual IHC-to-Multiplex IF Translation
- Title（参考訳）: セグメンテーション-before-Stainingは仮想IHC-Multiplex IF翻訳における構造忠実性を改善する
- Authors: Junhyeok Lee, Han Jang, Heeseong Eum, Joon Jang, Kyu Sung Choi,
- Abstract要約: 多発性免疫蛍光(mIF)は、無傷組織構造内の複数のバイオマーカーの同時定量を可能にする。
仮想染色は、広く利用可能な光電化学(IHC)からmIFチャネルを合成することができるが、現在のトランスレータは、核形態を明示的に制限することなくピクセルレベルの忠実度を最適化する。
この研究は、事前訓練された核分割基礎モデルから連続セル確率マップを注入する、監督不要でアーキテクチャに依存しない条件付け戦略を導入する。
- 参考スコア（独自算出の注目度）: 1.8848440735415501
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiplex immunofluorescence (mIF) enables simultaneous single-cell quantification of multiple biomarkers within intact tissue architecture, yet its high reagent cost, multi-round staining protocols, and need for specialized imaging platforms limit routine clinical adoption. Virtual staining can synthesize mIF channels from widely available brightfield immunohistochemistry (IHC), but current translators optimize pixel-level fidelity without explicitly constraining nuclear morphology. In pathology, this gap is clinically consequential: subtle distortions in nuclei count, shape, or spatial arrangement propagate directly to quantification endpoints such as the Ki67 proliferation index, where errors of a few percent can shift treatment-relevant risk categories. This work introduces a supervision-free, architecture-agnostic conditioning strategy that injects a continuous cell probability map from a pretrained nuclei segmentation foundation model as an explicit input prior, together with a variance-preserving regularization term that matches local intensity statistics to maintain cell-level heterogeneity in synthesized fluorescence channels. The soft prior retains gradient-level boundary information lost by binary thresholding, providing a richer conditioning signal without task-specific tuning. Controlled experiments across Pix2Pix with U-Net and ResNet generators, deterministic regression U-Net, and conditional diffusion on two independent datasets demonstrate consistent improvements in nuclei count fidelity and perceptual quality, as the sole modifications. Code will be made publicly available upon acceptance.
- Abstract（参考訳）: マルチプレックス免疫蛍光 (MIF) は、無傷組織構造内の複数のバイオマーカーの同時定量を可能にするが、その高い試薬コスト、多周染色プロトコル、特殊なイメージングプラットフォームの必要性は、定期的な臨床応用を制限している。
仮想染色は、広く利用可能な明るい電界免疫組織化学(IHC)からmIFチャネルを合成することができるが、現在のトランスレータは核形態を明示的に拘束することなくピクセルレベルの忠実度を最適化する。
核数、形状、空間配置の微妙な歪みは、Ki67増殖指数のような量子化エンドポイントに直接伝播し、数パーセントの誤差は治療関連リスクカテゴリをシフトさせる。
本研究は, 局所強度統計量と一致し, 合成蛍光チャネルにおけるセルレベル不均一性を維持する分散保存正規化項とともに, 予め訓練した核分割基礎モデルから連続セル確率マップを明示的な入力として注入する, 教師なしアーキテクチャに依存しない条件付け戦略を導入する。
ソフトプリエントは、二分しきい値によって失われる勾配レベルの境界情報を保持し、タスク固有のチューニングなしでよりリッチな条件付け信号を提供する。
Pix2PixとU-NetおよびResNetジェネレータ、決定論的回帰U-Net、および2つの独立データセット上の条件拡散による制御実験は、唯一の修正として、核数忠実度と知覚品質が一貫した改善を示す。
コードは受理時に公開される。
関連論文リスト
- Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。
In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。
IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
論文 参考訳（メタデータ） (2026-03-11T06:14:11Z) - TIP: Resisting Gradient Inversion via Targeted Interpretable Perturbation in Federated Learning [8.156452885913108]
フェデレートラーニング(FL)は、データの局所性を維持しながら協調的なモデルトレーニングを促進する。
勾配の交換により、システムはグラディエント・インバージョン・アタック(GIAs)に弱い。
本稿では、モデル解釈可能性と周波数領域解析を統合する新しい防御フレームワークTIPを提案する。
論文 参考訳（メタデータ） (2026-02-12T06:32:49Z) - Denoising diffusion networks for normative modeling in neuroimaging [1.0195618602298684]
ほとんどの神経画像パイプラインは画像由来表現型(IDP)の1つのモデルに適合する
IDPの統一条件密度推定器として拡散確率モデル(DDPM)を提案する。
ヘテロセダスティックおよびマルチモーダルな年齢効果を持つ合成ベンチマークと,英国バイオバンクフリーサーファー表現型を用いて,次元2～200のスケールで評価した。
論文 参考訳（メタデータ） (2026-01-24T06:19:10Z) - Pretraining Transformer-Based Models on Diffusion-Generated Synthetic Graphs for Alzheimer's Disease Prediction [0.0]
本稿では,合成データ生成とグラフ表現学習と伝達学習を組み合わせたTransformerベースの診断フレームワークを提案する。
実世界のNACCデータセットを用いて、クラス条件付き拡散確率モデル(DDPM)を訓練し、大規模な合成コホートを生成する。
モダリティ固有のグラフトランスフォーマーエンコーダは、まずこの合成データに基づいて、堅牢なクラス識別表現を学習する。
論文 参考訳（メタデータ） (2025-11-24T19:34:53Z) - scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。
本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
論文 参考訳（メタデータ） (2025-10-28T21:28:39Z) - Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
シングルセル技術は、細胞の高次元点雲を生成する。
各患者は単純なベクトルではなく不規則な点雲で表される。
線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
論文 参考訳（メタデータ） (2025-10-24T21:33:12Z) - Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。
CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。
本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
論文 参考訳（メタデータ） (2025-09-11T13:37:56Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳（メタデータ） (2019-11-29T19:17:58Z)
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。