論文の概要: Generative Deep Learning for Computational Destaining and Restaining of Unregistered Digital Pathology Images

• arxiv url: http://arxiv.org/abs/2605.14251v1
• Date: Thu, 14 May 2026 01:37:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.566726
• Title: Generative Deep Learning for Computational Destaining and Restaining of Unregistered Digital Pathology Images
• Title（参考訳）: 登録されていないデジタル病理画像の計算的保持と保持のための生成的深層学習
• Authors: Aarushi Kulkarni, Alarice Lowe, Pratik Shah,
• Abstract要約: コンディショナル・ジェネレーティブ・逆数ネットワーク(cGANs)は、デジタル・パスロジー全スライディング・イメージ(WSI)において、高忠実な計算染色とデザートを可能にする。 我々は,H&E安定化WSIに対するヒストグラムに基づく染色正規化と,非定常WSIに対するチャネルワイド強度キャリブレーションからなる前処理パイプラインを開発した。 仮想デテンシングはピアソン相関係数(PCC)0.854、構造類似度指数測定(SSIM)0.699、ピーク信号-雑音比(PSNR)18.41dBを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conditional generative adversarial networks (cGANs) have enabled high-fidelity computational staining and destaining of hematoxylin and eosin (H&E) in digital pathology whole-slide images (WSI). However, their ability to generalize to out-of-distribution WSI across institutions without retraining remains insufficiently characterized. Previously developed cGAN models trained on 102 registered prostate core biopsy WSIs from Brigham and Women's Hospital were evaluated on 82 spatially unregistered WSIs acquired at Stanford University. To mitigate domain shift without retraining, a preprocessing pipeline consisting of histogram-based stain normalization for H&E-stained WSIs and channel-wise intensity calibration for unstained WSIs was developed. Because image registration was intentionally omitted for real-world deployment conditions, the reported quantitative results are conservative lower bounds reflecting both model performance and limited spatial alignment. Under these conditions, virtual destaining achieved a Pearson correlation coefficient (PCC) of 0.854, structural similarity index measure (SSIM) of 0.699, and peak signal-to-noise ratio (PSNR) of 18.41 dB. H&E restaining from computationally destained outputs outperformed direct staining from ground-truth unstained inputs across all metrics (PCC: 0.798 vs. 0.715; SSIM: 0.756 vs. 0.718; PSNR: 20.08 vs. 18.51 dB), suggesting that preprocessing quality may be more limiting than model capacity. Qualitative pathological review indicated preservation of benign glandular structures while showing that malignant glands were often rendered with vessel-like morphologies. These findings support the feasibility of applying cGAN-based computational H&E staining and destaining generative models to external WSI datasets using preprocessing-based adaptation alone while defining specific morphological targets for future domain adaptation.
• Abstract（参考訳）: コンディショナル・ジェネレーティブ・逆境ネットワーク(cGAN)は、デジタル・パノロジー全体スライディング・イメージ(WSI)において、ヘマトキシリンとエオシン(H&E)の高忠実な染色と保存を可能にした。 しかし, 再訓練を伴わない組織間におけるWSIのアウト・オブ・ディストリビューションを一般化する能力は, 依然として不十分である。 以前、ブリガム・アンド・ウーマンズ病院から登録された102個の前立腺コア生検WSIで訓練されたcGANモデルを、スタンフォード大学で取得した82個の未登録WSIで評価した。 再トレーニングをせずにドメインシフトを軽減するため,H&E染色WSIのヒストグラムに基づく染色正規化と非定常WSIのチャネルワイド強度校正からなる前処理パイプラインを開発した。 実世界の展開条件では画像登録が意図的に省略されたため、報告された定量的結果は、モデル性能と空間アライメントの制限の両方を反映した保守的な下限である。 これらの条件下では、仮想デテンシングはピアソン相関係数(PCC)0.854、構造類似度指数測定(SSIM)0.699、ピーク信号-雑音比(PSNR)18.41dBを達成した。 H&Eは計算失効した出力から保持され、すべての指標(PCC: 0.798 vs. 0.715; SSIM: 0.756 vs. 0.718; PSNR: 20.08 vs. 18.51 dB)で、地上の安定していない入力からの直接染色よりも優れており、前処理品質がモデル容量よりも制限される可能性があることを示唆している。 質的病理検査では良性腺構造物の保存が認められたが, 悪性腺は血管様形態を呈することが多い。 これらの結果は、cGANベースの計算H&E染色と生成モデルを、前処理ベースの適応のみを用いて外部WSIデータセットに適用し、将来的なドメイン適応のための特定の形態的ターゲットを定義することの実現性を支持する。

関連論文リスト

• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• Magnification-Invariant Image Classification via Domain Generalization and Stable Sparse Embedding Signatures [0.0]
  マグニフィケーションシフトは、あるスケールで訓練されたモデルが、しばしば他のスケールにあまり一般化しないため、頑健な病理組織学分類の大きな障害である。 本研究では, 厳密な患者分離型Let-one-magnification-outプロトコルを用いて, BreaKHisデータセット上でこの問題を評価した。
  論文  参考訳（メタデータ） (2026-04-28T16:26:14Z)
• Robustness Evaluation of a Foundation Segmentation Model Under Simulated Domain Shifts in Abdominal CT: Implications for Health Digital Twin Deployment [0.0]
  SAM(Segment Anything Model)のような基盤セグメンテーションモデルは、自然画像全体にわたって強力な一般化を実証している。 腹部CTにおける脾分画に対するSAMの系統的スライスレベルロバストネス検査を,41巻の非空切片1,051を用いて行った。
  論文  参考訳（メタデータ） (2026-04-28T14:16:20Z)
• GOLDMARK: Governed Outcome-Linked Diagnostic Model Assessment Reference Kit [7.891604152731754]
  CB(Computational Biomarker)は、ヘマトキシリン・エオシン(H&E)全スライディング画像(WSI)から抽出した組織由来のパターンで、治療効果や予後を予測する。 臨床応用可能な OncoKB レベル1-3 バイオマーカーラベルを持つTCGAコーホート上に構築された標準化されたベンチマークフレームワークである GOLDMARK を紹介する。
  論文  参考訳（メタデータ） (2026-03-21T15:09:06Z)
• Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks [6.923757075165361]
  解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-03T02:05:20Z)
• Inferring Clinically Relevant Molecular Subtypes of Pancreatic Cancer from Routine Histopathology Using Deep Learning [30.979270201588236]
  PDACの基底型および古典型TCGへの分子置換は予後および予測値を確立している。 本稿では,標準的なH&E染色WSIから直接治療関連分子サブタイプを予測する,解釈可能なディープラーニングフレームワークであるPanSubNetを紹介する。 PanSubNetは2つの多施設コホートにまたがる1,055人のデータを用いて開発された。
  論文  参考訳（メタデータ） (2026-01-06T20:52:12Z)
• Knowledge Graph Augmented Large Language Models for Disease Prediction [24.992170033802537]
  知識グラフ(KG)誘導チェーン・オブ・シント(CoT)フレームワークは,MIMIC-IIIにおける来院レベルの疾患予測のための臨床基礎的推論を生成する。 ICD-9コードはPrimeKGにマッピングされ、病気関連ノードとマルチホップ推論パスが抽出され、CoT生成のための足場として使用される。 KG誘導モデルは、AUROC値0.66から0.70、マクロAUPR値0.40から0.47を達成し、強力な古典的ベースラインを上回った。 盲目臨床評価では,KG誘導型CoT説明の明瞭度,関連性,臨床正当性に一貫した嗜好を示す。
  論文  参考訳（メタデータ） (2025-12-01T02:49:17Z)
• Taylor-Series Expanded Kolmogorov-Arnold Network for Medical Imaging Classification [0.0]
  本研究は,限られた多様なデータセットを用いた正確な医用画像分類のためのKAN(Kolmogorov-Arnold Networks)を紹介する。 モデルはSBTAYLOR-KAN、B-splinesとTaylorシリーズの統合、SBRBF-KAN、Morletウェーブレット変換にB-splinesを埋め込むSBWAVELET-KANである。 脳MRI,胸部X線,結核X線,皮膚病変画像を前処理なしで評価した。
  論文  参考訳（メタデータ） (2025-09-17T04:33:54Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)

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。