論文の概要: CytoSyn: a Foundation Diffusion Model for Histopathology -- Tech Report
- arxiv url: http://arxiv.org/abs/2603.18089v1
- Date: Wed, 18 Mar 2026 08:58:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:05.756195
- Title: CytoSyn: a Foundation Diffusion Model for Histopathology -- Tech Report
- Title（参考訳）: CytoSyn: 病理組織学の基礎拡散モデル -- 技術報告
- Authors: Thomas Duboudin, Xavier Fontaine, Etienne Andrier, Lionel Guillou, Alexandre Filiot, Thalyssa Baiocco-Rodrigues, Antoine Olivier, Alberto Romagnoni, John Klein, Jean-Baptiste Schiratti,
- Abstract要約: 我々は,病理組織学的H&E染色画像のガイド生成を可能にする,最先端の基盤潜時拡散モデルであるCytoSynを紹介する。
本モデルは,32種類のがんの1万以上のTCGA診断画像から得られたデータセットに基づいて訓練されている。
- 参考スコア（独自算出の注目度）: 32.55353127846473
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Computational pathology has made significant progress in recent years, fueling advances in both fundamental disease understanding and clinically ready tools. This evolution is driven by the availability of large amounts of digitized slides and specialized deep learning methods and models. Multiple self-supervised foundation feature extractors have been developed, enabling downstream predictive applications from cell segmentation to tumor sub-typing and survival analysis. In contrast, generative foundation models designed specifically for histopathology remain scarce. Such models could address tasks that are beyond the capabilities of feature extractors, such as virtual staining. In this paper, we introduce CytoSyn, a state-of-the-art foundation latent diffusion model that enables the guided generation of highly realistic and diverse histopathology H&E-stained images, as shown in an extensive benchmark. We explored methodological improvements, training set scaling, sampling strategies and slide-level overfitting, culminating in the improved CytoSyn-v2, and compared our work to PixCell, a state-of-the-art model, in an in-depth manner. This comparison highlighted the strong sensitivity of both diffusion models and performance metrics to preprocessing-specific details such as JPEG compression. Our model has been trained on a dataset obtained from more than 10,000 TCGA diagnostic whole-slide images of 32 different cancer types. Despite being trained only on oncology slides, it maintains state-of-the-art performance generating inflammatory bowel disease images. To support the research community, we publicly release CytoSyn's weights, its training and validation datasets, and a sample of synthetic images in this repository: https://huggingface.co/Owkin-Bioptimus/CytoSyn.
- Abstract（参考訳）: 近年,コンピュータ病理学が進歩し,基礎疾患の理解と臨床応用ツールの進歩に拍車を掛けている。
この進化は、大量のデジタル化されたスライドと専門的なディープラーニングメソッドとモデルが利用可能であることによって引き起こされる。
複数の自己監督型基礎特徴抽出器が開発され, 細胞分節化から腫瘍サブタイピング, 生存解析に至るまで, 下流での予測的応用が可能となった。
対照的に、病理学に特化して設計された生成基盤モデルは依然として乏しい。
このようなモデルは、仮想染色のような機能抽出器の能力を超えるタスクに対処することができる。
本稿では,CytoSynについて紹介する。CytoSynは,非常に現実的で多様な病理組織像のガイド付き生成を可能にする,最先端の潜伏拡散モデルである。
我々は,CytoSyn-v2を改良したCytoSyn-v2の方法論的改善,トレーニングセットのスケーリング,サンプリング戦略,スライドレベルのオーバーフィッティングについて検討し,その成果を最先端のPixCellと比較した。
この比較は、JPEG圧縮のような前処理固有の詳細に対して、拡散モデルとパフォーマンスメトリクスの両方の強い感度を強調した。
本モデルは,32種類のがんの1万以上のTCGA診断画像から得られたデータセットに基づいて訓練されている。
腫瘍学のスライドでのみ訓練されているにもかかわらず、炎症性腸疾患の画像を生成する最先端のパフォーマンスを維持している。
研究コミュニティをサポートするために、私たちは、CytoSynの重み、トレーニングと検証データセット、およびこのリポジトリにある合成画像のサンプルを公開しました。
関連論文リスト
- A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Integrating Pathology Foundation Models and Spatial Transcriptomics for Cellular Decomposition from Histology Images [0.0]
組織像から直接細胞組成を予測するための軽量で訓練効率の良い手法を提案する。
細胞2位法により誘導される細胞型多量体に対する軽量多層パーセプトロン (MLP) レジストレータの訓練により, 本手法は病理基盤モデルから効率的に知識を抽出する。
論文 参考訳（メタデータ） (2025-07-09T16:43:04Z) - PixCell: A generative foundation model for digital histopathology images [49.00921097924924]
PixCellは,病理組織学における最初の拡散ベース生成基盤モデルである。
われわれはPanCan-30MでPixCellをトレーニングした。
論文 参考訳（メタデータ） (2025-06-05T15:14:32Z) - A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。
我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。
がんのステージングと生存予測の課題に強いパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-03-14T20:15:04Z) - Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
論文 参考訳（メタデータ） (2024-12-30T01:59:34Z) - HistoSPACE: Histology-Inspired Spatial Transcriptome Prediction And Characterization Engine [0.0]
HistoSPACEモデルは、STデータで利用可能な組織像の多様性を調べ、組織像から分子的洞察を抽出する。
モデルは、現代のアルゴリズムと比較して大きな効率性を示し、残余のクロスバリデーションにおいて0.56の相関関係を示す。
論文 参考訳（メタデータ） (2024-08-07T07:12:52Z) - An Organism Starts with a Single Pix-Cell: A Neural Cellular Diffusion for High-Resolution Image Synthesis [8.01395073111961]
我々は、GeCA(Generative Cellular Automata)と呼ばれる新しいモデルのファミリーを紹介する。
GeCAは2つの画像モダリティ(Fundus and Optical Coherence Tomography, OCT)にまたがる網膜疾患分類の効果的な拡張ツールとして評価される
データが不足し,クラス分布が本質的に歪んでいるOCT画像の文脈では,GeCAは11種類の眼科領域の性能を著しく向上させる。
論文 参考訳（メタデータ） (2024-07-03T11:26:09Z) - Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。
本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
論文 参考訳（メタデータ） (2024-05-01T23:40:12Z) - PathoDuet: Foundation Models for Pathological Slide Analysis of H&E and IHC Stains [5.422494000842841]
PathoDuetは、病理組織像の事前訓練された一連のモデルであり、組織化学における新しい自己教師型学習フレームワークである。
このフレームワークは、新しく導入されたプリテキストトークンと後続のタスクライザーによって特徴付けられ、画像間の特定の関係を明示的に活用する。
クロススケール位置決めとクロスステイン転送という2つのプレテキストタスクは、モデルがヘマトキシリンとエオシンの画像で事前訓練されるように設計されている。
論文 参考訳（メタデータ） (2023-12-15T15:45:52Z)
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。