論文の概要: HistDiT: A Structure-Aware Latent Conditional Diffusion Model for High-Fidelity Virtual Staining in Histopathology
- arxiv url: http://arxiv.org/abs/2604.08305v1
- Date: Thu, 09 Apr 2026 14:39:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:05.971094
- Title: HistDiT: A Structure-Aware Latent Conditional Diffusion Model for High-Fidelity Virtual Staining in Histopathology
- Title（参考訳）: HistDiT: 病理組織における高忠実度仮想染色のための構造を考慮した潜在条件拡散モデル
- Authors: Aasim Bin Saleem, Amr Ahmed, Ardhendu Behera, Hafeezullah Amin, Iman Yi Liao, Mahmoud Khattab, Pan Jia Wern, Haslina Makmur,
- Abstract要約: HistDiTアーキテクチャは、仮想組織学的染色における視覚的忠実性の新たなベンチマークを確立する。
本モデルでは,厳密な定量的および定性的評価により,既存のベースラインよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 3.5196641463125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Immunohistochemistry (IHC) is essential for assessing specific immune biomarkers like Human Epidermal growth-factor Receptor 2 (HER2) in breast cancer. However, the traditional protocols of obtaining IHC stains are resource-intensive, time-consuming, and prone to structural damages. Virtual staining has emerged as a scalable alternative, but it faces significant challenges in preserving fine-grained cellular structures while accurately translating biochemical expressions. Current state-of-the-art methods still rely on Generative Adversarial Networks (GANs) or standard convolutional U-Net diffusion models that often struggle with "structure and staining trade-offs". The generated samples are either structurally relevant but blurry, or texturally realistic but have artifacts that compromise their diagnostic use. In this paper, we introduce HistDiT, a novel latent conditional Diffusion Transformer (DiT) architecture that establishes a new benchmark for visual fidelity in virtual histological staining. The novelty introduced in this work is, a) the Dual-Stream Conditioning strategy that explicitly maintains a balance between spatial constraints via VAE-encoded latents and semantic phenotype guidance via UNI embeddings; b) the multi-objective loss function that contributes to sharper images with clear morphological structure; and c) the use of the Structural Correlation Metric (SCM) to focus on the core morphological structure for precise assessment of sample quality. Consequently, our model outperforms existing baselines, as demonstrated through rigorous quantitative and qualitative evaluations.
- Abstract（参考訳）: 免疫組織化学(IHC)は、乳癌におけるヒト上皮成長因子受容体2(HER2)のような特定の免疫バイオマーカーを評価するために必須である。
しかし、IHC染色を得るという伝統的なプロトコルは資源集約的で、時間がかかり、構造的な損傷を受けやすい。
仮想染色はスケーラブルな代替手段として登場したが、生化学的表現を正確に翻訳しながら微細な細胞構造を保存する上で大きな課題に直面している。
現在の最先端の手法は、しばしば「構造と染色トレードオフ」に苦しむGAN(Generative Adversarial Networks)や標準畳み込みU-Net拡散モデルに依存している。
生成されたサンプルは構造的に関連があるが、ぼやけているか、テクスチャ的に現実的であるが、診断の使用を損なうアーティファクトを持っている。
本稿では,仮想組織染色における視覚的忠実度の新しいベンチマークを確立すべく,新しい潜在条件拡散変換器 (DiT) アーキテクチャであるHistDiTを紹介する。
この作品で導入された斬新さは、
a) VAE符号化潜水器による空間制約とUNI埋め込みによる意味表現型ガイダンスとのバランスを明示的に維持するデュアルストリームコンディショニング戦略
b) 明確な形態構造を有するよりシャープな画像に寄与する多目的損失関数
c) 構造相関計量(SCM)を用いて、試料品質の正確な評価を行うための中核形態構造に焦点を合わせること。
その結果、厳密な定量的および定性的評価により、既存のベースラインよりも優れていた。
関連論文リスト
- PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。
我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。
まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。
第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
論文 参考訳（メタデータ） (2026-04-01T15:57:18Z) - 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) - Structure-constrained Language-informed Diffusion Model for Unpaired Low-dose Computed Tomography Angiography Reconstruction [72.80209358480424]
ヨウ素化コントラスト培地(ICM)の過剰摂取は、腎臓の損傷と致命的なアレルギー反応を引き起こす。
深層学習法は、低線量ICMから正常線量ICMのCT画像を生成することができ、必要な線量を減らすことができる。
本研究では,構造シナジーと空間知性を統合した構造制約型言語情報拡散モデル(SLDM)を提案する。
論文 参考訳（メタデータ） (2026-01-28T06:54:06Z) - PAINT: Pathology-Aware Integrated Next-Scale Transformation for Virtual Immunohistochemistry [17.230315436967356]
仮想化学は、通常のヘマトキシリンとエオシン(H&E)画像から分子染色パターンを計算的に合成することを目的としている。
本稿では,合成過程を構造第一条件生成タスクとして再構成する視覚的自己回帰フレームワークPAINTを提案する。
論文 参考訳（メタデータ） (2026-01-22T14:49:30Z) - 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) - Progressive Translation of H&E to IHC with Enhanced Structural Fidelity [8.881744407746845]
ヘマトキシリン・エオシン(H&E)染色と比較して、勾配化学(IHC)は高分解能タンパク質の局在を提供する。
診断価値はあるものの、IHCは高価で労働集約的な技術である。
カラーおよびセル境界生成ロジックを取り入れた,プログレッシブな構造を踏襲した新しいネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-11-03T16:06:46Z) - 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) - 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) - HistDiST: Histopathological Diffusion-based Stain Transfer [4.936165689668498]
HistDiSTは、高忠実度H&E-to-IHC翻訳のための潜在拡散モデル(LDM)ベースのフレームワークである。
HistDiSTは既存の手法よりも優れており、H&E-to-Ki6767の評価においてMRAを28%改善した。
論文 参考訳（メタデータ） (2025-05-11T00:19:22Z) - StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。
ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文 参考訳（メタデータ） (2024-08-11T01:22:29Z)
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。