論文の概要: VitaminP: cross-modal learning enables whole-cell segmentation from routine histology

• arxiv url: http://arxiv.org/abs/2604.23799v1
• Date: Sun, 26 Apr 2026 16:43:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.555334
• Title: VitaminP: cross-modal learning enables whole-cell segmentation from routine histology
• Title（参考訳）: VitaminP: クロスモーダル学習は日常的な組織学から全細胞セグメンテーションを可能にする
• Authors: Yasin Shokrollahi, Karina B. Pinao Gonzales, Elizve N. Barrientos Toro, Paul Acosta, Patient Mosaic Team, Pingjun Chen, Yinyin Yuan, Xiaoxi Pan,
• Abstract要約: VitaminPは、H&E画像から全細胞セグメンテーションを可能にするクロスモーダル学習フレームワークである。 私たちは、34のがんタイプと700万以上のインスタンスをカバーする14のパブリックデータセットでVitaminPをトレーニングします。 VitaminPは、24のまれながんタイプにまたがる社内データセットを含む、目に見えないデータセットに一般化する。
• 参考スコア（独自算出の注目度）: 0.8659624136534897
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate whole-cell and nuclear segmentation is essential for precision pathology and spatial omics, yet routine hematoxylin and eosin (H&E) staining provides limited cytoplasmic contrast, restricting analyses to nuclei. Multiplex immunofluorescence (mIF) facilitates precise whole-cell delineation but remains constrained by cost and accessibility. We introduce VitaminP, a cross-modal learning framework enabling whole cell segmentation from H&E images. By learning from paired H&E-mIF data, VitaminP transfers molecular boundary information from mIF to overcome cytoplasmic contrast in H&E, establishing cross-modal supervision as a general strategy for recovering missing biological structure. We train VitaminP on 14 public datasets covering 34 cancer types and over 7 million instances, integrating publicly available labels with extensive annotations generated in this study, forming one of the largest resources for segmentation. VitaminP outperforms four state-of-the-art methods and generalizes to unseen datasets, including an in-house dataset spanning 24 rare cancer types. We further developed VitaminPScope, an open-source platform providing an interface for scalable inference and enabling broad adoption.
• Abstract（参考訳）: 正確な全細胞と核のセグメンテーションは精密な病理学と空間オミクスに必須であるが、通常のヘマトキシリンとエオシン(H&E)染色は細胞質のコントラストに制限を与え、核の解析を制限している。 多発性免疫蛍光(mIF)は、正確な全細胞性脱線を促進するが、コストとアクセシビリティに制約される。 本稿では,H&E画像から全セルセグメンテーションを可能にするクロスモーダル学習フレームワークであるVitaminPを紹介する。 ペア化されたH&E-mIFデータから学習することで、VitaminPはmIFから分子境界情報を伝達し、H&Eの細胞質コントラストを克服し、欠落する生物学的構造を回復するための一般的な戦略として相互監視を確立する。 私たちは、34のがんタイプと700万のインスタンスをカバーする14のパブリックデータセットでVitaminPをトレーニングし、この研究で生成された豊富なアノテーションで公開可能なラベルを統合することで、セグメンテーションのための最大のリソースの1つを形成します。 VitaminPは、最先端の4つのメソッドを上回り、24種類のまれながん種にまたがる社内データセットを含む、目に見えないデータセットに一般化する。 さらに、スケーラブルな推論と広く採用可能なインターフェースを提供するオープンソースのプラットフォームであるVitaminPScopeを開発しました。

関連論文リスト

• DIA-CLIP: a universal representation learning framework for zero-shot DIA proteomics [9.005785118040423]
  本稿では,DIA分析パラダイムを半教師付きトレーニングから普遍的クロスモーダル表現学習へシフトさせる事前学習モデルであるDIA-CLIPを提案する。 二重エンコーダ・コントラスト学習フレームワークとエンコーダ・デコーダアーキテクチャを統合することにより、DIA-CLIPはペプチドとそれに対応するスペクトルの特徴を統一したクロスモーダル表現を確立する。
  論文  参考訳（メタデータ） (2026-02-02T07:55:24Z)
• Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with a Generalist Foundation Model and Multimodal Database [64.65360708629485]
  MMCMR-427Kは、最大かつ最も包括的なマルチモーダル心血管共鳴k空間データベースである。 CardioMMは、異種高速CMRイメージングシナリオに適応可能な再構成基盤モデルである。 CardioMMは、物理インフォームドデータ一貫性と意味的文脈理解を統合して、堅牢な再構築を実現する。
  論文  参考訳（メタデータ） (2025-12-25T12:47:50Z)
• From Cells to Survival: Hierarchical Analysis of Cell Inter-Relations in Multiplex Microscopy for Lung Cancer Prognosis [0.9046327456472286]
  HiGINEは、マルチプレックス免疫蛍光(mIF)画像におけるTME特性から患者の生存を予測するための階層的なグラフベースのアプローチである。 本モデルでは,細胞型と形態の情報を組み込んだ局所的およびグローバル的相互関係を符号化する。 我々は、HiGINEを2つのパブリックデータセット上で検証し、リスク階層化、ロバスト性、一般化可能性の向上を実証した。
  論文  参考訳（メタデータ） (2025-12-09T13:10:12Z)
• 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)
• A Multicentric Dataset for Training and Benchmarking Breast Cancer Segmentation in H&E Slides [1.2783652545738993]
  本稿では,H&E陽性乳癌のマルチクラスセマンティックセグメンテーションのためのデータセットであるBrEast cancEr hisTopathoLogy sEgmentation (BEETLE)を紹介する。 3つの共同臨床センターと2つの公開データセットから587の生検と切除を行い、7つのスキャナーを用いてデジタル化し、全ての分子サブタイプと組織学的グレードをカバーする。 このデータセットの多様性と乳がんにおける自動バイオマーカー定量化分野への関連性は、その再利用の可能性を高める。
  論文  参考訳（メタデータ） (2025-10-02T14:09:21Z)
• A tissue and cell-level annotated H&E and PD-L1 histopathology image dataset in non-small cell lung cancer [0.7400138614614626]
  IGNITEデータセットは、注釈付きNACLC全スライダー画像のマルチステイン、マルチ中心、マルチスキャナデータセットである。 このデータセットには、3つの相補的なタスクを含む155人のユニークな患者から887の完全注釈付き領域が含まれている。 我々の知る限り、このデータセットは転移部位とPD-L1 IHCでH&Eのマニュアルアノテーションを付加した初めてのパブリックNSCLCデータセットである。
  論文  参考訳（メタデータ） (2025-07-21T12:16:22Z)
• BIOMEDICA: An Open Biomedical Image-Caption Archive, Dataset, and Vision-Language Models Derived from Scientific Literature [73.39593644054865]
  BIOMEDICAはスケーラブルでオープンソースのフレームワークで、PubMed Central Open Accessサブセット全体を抽出、注釈付け、シリアライズして、使いやすく、公開可能なデータセットにする。 われわれのフレームワークは600万以上の記事から2400万以上のユニークな画像テキストペアで包括的なアーカイブを生成する。 BMCA-CLIPは、ストリーミングを通じてBIOMEDICAデータセット上で継続的に事前トレーニングされたCLIPスタイルのモデルのスイートで、27TBのデータをローカルにダウンロードする必要がなくなる。
  論文  参考訳（メタデータ） (2025-01-13T09:58:03Z)
• IGCN: Integrative Graph Convolution Networks for patient level insights and biomarker discovery in multi-omics integration [2.0971479389679337]
  本稿では,癌分子サブタイプとバイオメディカル分類のための新しい統合ニューラルネットワークアプローチを提案する。 IGCNは、特定のクラスを予測するために患者に対してどのタイプのオミクスがより強調されるかを特定することができる。 IGCNは、様々なオミクスデータタイプから重要なバイオマーカーを特定できる。
  論文  参考訳（メタデータ） (2024-01-31T05:52:11Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)

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。