論文の概要: SIMPLER: H&E-Informed Representation Learning for Structured Illumination Microscopy

• arxiv url: http://arxiv.org/abs/2604.10334v1
• Date: Sat, 11 Apr 2026 19:44:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.960492
• Title: SIMPLER: H&E-Informed Representation Learning for Structured Illumination Microscopy
• Title（参考訳）: SIMPLER:構造化照明顕微鏡のためのH&Eインフォームド表現学習
• Abstract要約: 構造化顕微鏡(SIM)は、染色や物理的切断なしに、新鮮な組織の高速かつ高コントラストな光切断を可能にする。 SIMPLERは、H&Eをセマンティックアンカーとして活用し、再利用可能なSIM表現を学習する。 トレーニング済みのSIMPLERエンコーダは、複数のダウンストリームタスク間で転送され、スクラッチやH&Eのみの事前トレーニングからトレーニングされたSIMモデルよりも一貫して優れる。
• 参考スコア（独自算出の注目度）: 12.600261622321113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structured Illumination Microscopy (SIM) enables rapid, high-contrast optical sectioning of fresh tissue without staining or physical sectioning, making it promising for intraoperative and point-of-care diagnostics. Recent foundation and large-scale self-supervised models in digital pathology have demonstrated strong performance on section-based modalities such as Hematoxylin and Eosin (H&E) and immunohistochemistry (IHC). However, these approaches are predominantly trained on thin tissue sections and do not explicitly address thick-tissue fluorescence modalities such as SIM. When transferred directly to SIM, performance is constrained by substantial modality shift, and naive fine-tuning often overfits to modality-specific appearance rather than underlying histological structure. We introduce SIMPLER (Structured Illumination Microscopy-Powered Learning for Embedding Representations), a cross-modality self-supervised pretraining framework that leverages H&E as a semantic anchor to learn reusable SIM representations. H&E encodes rich cellular and glandular structure aligned with established clinical annotations, while SIM provides rapid, nondestructive imaging of fresh tissue. During pretraining, SIM and H&E are progressively aligned through adversarial, contrastive, and reconstruction-based objectives, encouraging SIM embeddings to internalize histological structure from H&E without collapsing modality-specific characteristics. A single pretrained SIMPLER encoder transfers across multiple downstream tasks, including multiple instance learning and morphological clustering, consistently outperforming SIM models trained from scratch or H&E-only pretraining. Importantly, joint alignment enhances SIM performance without degrading H&E representations, demonstrating asymmetric enrichment rather
• Abstract（参考訳）: 構造イルミネーション顕微鏡(SIM)は、染色や物理的切断を伴わずに、新しい組織を迅速かつ高コントラストで光切断することが可能であり、術中およびポイントオブケアの診断に有効である。 デジタル病理学における最近の基礎と大規模自己監督モデルでは、ヘマトキシリンやエオシン(H&E)、免疫組織化学(IHC)などの部位ベースの修飾に強い効果が示されている。 しかしながら、これらのアプローチは主に薄い組織部位で訓練されており、SIMなどの多彩な蛍光特性には明示的に対応していない。 SIMに直接転送すると、性能は実質的なモダリティシフトによって制約され、微調整は基礎となる組織構造よりもモダリティ特有の外観に過度に適合する。 SIMPLER(Structured Illumination Microscopy-Powered Learning for Embedding Representations)は,H&Eをセマンティックアンカーとして活用し,再利用可能なSIM表現を学習する多目的自己教師型事前学習フレームワークである。 H&Eは、確立された臨床アノテーションと一致したリッチな細胞構造と腺構造をコードし、SIMは、新鮮な組織の迅速で非破壊的なイメージングを提供する。 プレトレーニング中、SIMとH&Eは、敵対的、コントラスト的、再構成に基づく目的を通じて徐々に整列し、SIM埋め込みがH&Eから組織構造を内在化することを奨励する。 単一の事前トレーニングされたSIMPLERエンコーダは、複数のダウンストリームタスクにまたがって転送され、複数のインスタンス学習と形態的クラスタリングが行われ、スクラッチやH&Eのみの事前トレーニングからトレーニングされたSIMモデルよりも一貫して優れている。 重要なことは、関節アライメントはH&E表現を劣化させることなくSIM性能を高め、むしろ非対称なエンリッチメントを示すことである。

関連論文リスト

• EndoVLM: An Endoscopy Vision-Language Pre-training Model via Anatomy-Guided Sparsity and Progressive Alignment [15.371433625713232]
  EndoVLMは348K以上の内視鏡検査で事前訓練された新しい視覚言語FMである。 Anatomy-Guided Sparse Poolingメカニズムは、テキスト記述をクエリとして利用してスパース注意を喚起する。 プログレッシブ・セマンティック・アウェア・アライメント・ストラテジー(Progressive Semantic-Aware Alignment Strategy)は、構造化されたソフトターゲットを介して臨床分類(解剖学と病理学)をモデル化する。 Semantic-Concentrated Masked Autoencoderは、これらのセマンティックリッチなフレームにのみ適用され、低レベルの視覚的精度と堅牢な高レベルのセマンティック表現を統合する。
  論文  参考訳（メタデータ） (2026-08-05T05:56:41Z)
• MUL-T: Decoding Spatial Cellular Architecture in Multiplexed Tissue Images [2.2726869886741388]
  MUL-Tは、組織アーキテクチャをマスク付きコンテキスト予測タスクとして再構成する軽量トランスフォーマーフレームワークである。 タスク固有の監督なしにコンテキスト化された埋め込みを学習することにより、モデルは高階の細胞間相互作用をキャプチャする。 MUL-Tは, コアレベル腫瘍パターン分類, 患者レベルグレーディング, PD-L1陽性率予測, クロスデータセット治療応答予測など, 臨床的に関係のあるいくつかの下流課題に対して評価した。
  論文  参考訳（メタデータ） (2026-07-30T11:15:12Z)
• Towards Reliable Stain Transfer: An Iterative Data-Model Co-Optimization Framework Based on Multimodal Expert-Guided Assessment [55.16957949238588]
  Stain Transferのための新しいデータモデル共最適化フレームワークDMCoStainを提案する。 反復的にトレーニングデータとモデル能力を再定義し、病理的および構造的整合性の両方において染色精度と解釈性を向上させる。 MEGFS をサポートするために,150K VQA サンプルを用いた IPE 命令追従型大規模データセットである ImmunoInstruction を構築した。
  論文  参考訳（メタデータ） (2026-07-28T07:54:43Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• Semantic Generative Tuning for Unified Multimodal Models [62.18894352635965]
  統一マルチモーダルモデル(UMM)は、単一のアーキテクチャ内で視覚的理解と視覚的生成を統合する。 訓練パラダイムは 独立して テキスト信号を通して 理解を最適化する 密集したピクセルの目的を通して 生成する 本研究は,UMMの分離を橋渡しするための生成プロキシとして階層的視覚タスクを定式化する,生成後学習に関する最初の体系的な研究である。
  論文  参考訳（メタデータ） (2026-05-18T17:46:46Z)
• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• Progressive Deep Learning for Automated Spheno-Occipital Synchondrosis Maturation Assessment [4.639231555600351]
  頭蓋顔面成長評価のためのプログレッシブ表現学習フレームワークを提案する。 フル容量のネットワークをエンドツーエンドにトレーニングするのではなく、時間とともにより深いブロックを活性化することでモデルを逐次成長させます。 実験により、このエキスパートにインスパイアされたトレーニング戦略は、標準トレーニングよりも安定した最適化と一貫した精度を生み出すことが示された。
  論文  参考訳（メタデータ） (2026-04-13T03:34:15Z)
• 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)
• DiSSECT: Structuring Transfer-Ready Medical Image Representations through Discrete Self-Supervision [9.254163621425727]
  DiSSECTはSSLパイプラインにマルチスケールベクトル量子化を統合するフレームワークで、離散的な表現ボトルネックを課す。 分類タスクとセグメンテーションタスクの両方で強力なパフォーマンスを実現し、微調整は最小か不要である。 複数の公開医用画像データセットにまたがってDiSSECTを検証し、その堅牢性と一般化性を示す。
  論文  参考訳（メタデータ） (2025-09-23T07:58:21Z)
• CLAIM: Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation [3.052913696182197]
  CLAIM: textbfClinically-Guided textbfLGE textbfAugmentation for Realtextbfiiyocardial Scar Synthesis and framework。 SMILEモジュールは、臨床で採用されているAHA 17セグメントモデルで拡散ベースのジェネレータを条件に、解剖学的に一貫性があり空間的に多様な傷跡パターンで画像を合成する。 実験結果から, CLAIMは解剖学的に整合性のある傷跡パターンを生成し, ベースラインモデルと比較してDiceと実際の傷跡分布との類似性が高いことがわかった。
  論文  参考訳（メタデータ） (2025-06-18T15:21:34Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• 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)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)

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。