論文の概要: HAPS: Rethinking Image Similarity for Virtual Staining

• arxiv url: http://arxiv.org/abs/2605.20362v1
• Date: Tue, 19 May 2026 18:15:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.314092
• Title: HAPS: Rethinking Image Similarity for Virtual Staining
• Title（参考訳）: HAPS:仮想ステインのイメージ類似性を再考する
• Authors: Fedor Gubanov, Svetlana Illarionova, Vlad Kozlovskiy, Mikhail Romanov, Yersultan Akhmetov, Aida Akaeva, Vyacheslav Grinevich, Rifat Hamoudi, Maxim Sharaev,
• Abstract要約: Histology-Aware Perceptual similarity (HAPS) が開発された。 Histology-Aware Perceptual similarity (HAPS) が開発された。
• 参考スコア（独自算出の注目度）: 0.29667378226016866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Virtual staining of histopathology images (e.g., H&E-IHC) is an emerging tool in digital pathology, enabling faster and cheaper workflows by synthesizing target stains from routinely acquired slides. Yet, the quality of virtual staining models is still predominantly assessed with generic metrics such as SSIM, PSNR, and LPIPS. Originally developed for natural images, these metrics are inherently misaligned with the domain-specific characteristics of histological data, failing to capture tissue morphology preservation and biomarker expression patterns. Consequently, a robust, domain-specific standard for quantifying similarity across diverse histological modalities remains a critical gap in the field. In this work, we formalize histology image similarity as a standalone problem and systematically evaluate a broad set of full-reference metrics against a dataset of H&E-IHC patch pairs annotated with expert similarity scores. We further analyze metrics sensitivity to controlled geometric distortions (shifts, rotations and non-rigid deformations) that mimic realistic registration errors between serial sections. Guided by these observations, we propose the Histology-Aware Perceptual Similarity (HAPS) metric. HAPS computes distances in the feature space of a frozen encoder pretrained on histopathology data, adding a linear head to aggregate feature-level differences into a final score that aligns with expert assessments. Finally, we demonstrate the practical value of HAPS for quality control of training data. By quantifying the similarity of training pairs in the MIST dataset and filtering low-scoring samples, we create a cleaner training set. Virtual staining models trained on this refined data outperform those trained on the original, unfiltered dataset.
• Abstract（参考訳）: 病理画像の仮想染色(例:H&E-IHC)は、デジタル病理の新たなツールであり、日常的に取得されたスライドからターゲットの染色を合成することにより、より高速で安価なワークフローを可能にする。 しかし、仮想染色モデルの品質は、SSIM、PSNR、LPIPSといった一般的なメトリクスで評価されている。 もともとは自然画像のために開発されたが、これらの指標は本質的に組織学的データのドメイン固有の特徴と一致せず、組織形態保存やバイオマーカーの発現パターンを捉えていない。 したがって、様々な組織学的モダリティにまたがる類似性を定量化する堅牢で領域固有の標準は、この分野において重要なギャップを保っている。 本研究は,H&E-IHC パッチペアのデータセットに専門家の類似度スコアを付与して,ヒストロジ画像の類似性をスタンドアロン問題として定式化し,広義のフル参照指標を体系的に評価する。 さらに、直列断面間の現実的な登録誤差を模倣する幾何歪み(シフト、回転、非剛体変形)の計測感度を解析する。 これらの観察を参考に,Histology-Aware Perceptual similarity(HAPS)メトリクスを提案する。 HAPSは、病理組織データに基づいて事前訓練された凍結エンコーダの特徴空間における距離を計算する。 最後に、トレーニングデータの品質管理におけるHAPSの実用的価値を示す。 MISTデータセットにおけるトレーニングペアの類似性を定量化し、低スコアのサンプルをフィルタリングすることにより、よりクリーンなトレーニングセットを作成する。 この洗練されたデータに基づいてトレーニングされた仮想染色モデルは、元の未フィルタリングデータセットでトレーニングされたモデルよりも優れています。

関連論文リスト

• Standardizing Medical Images at Scale for AI [3.26654570054705]
  本稿では,PhyCVアルゴリズムのファミリに基づく物理データ前処理フレームワークを提案する。 光学物理学から導かれる決定論的変換によって医療画像の標準化を行う。 分布外乳がん分類の精度を70.8%から90.9%に改善し、データ拡張とドメイン一般化のアプローチに適合または超える。
  論文  参考訳（メタデータ） (2026-03-16T22:51:52Z)
• HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis [1.8747639074211104]
  医用画像解析における双曲表現学習の総合的検証について述べる。 我々は11の分布内データセットと3つのViTモデルに対して統計的に有意な利得を示した。 提案手法は,ドメイン不変性を促進し,平均2.1%のAUCで最先端のユークリッド法より優れる。
  論文  参考訳（メタデータ） (2026-02-03T08:50:24Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Pathology-Guided Virtual Staining Metric for Evaluation and Training [0.49998148477760973]
  PaPIS(Pathology-Aware Perceptual Image similarity)は、仮想染色評価に適したFR-IQA尺度である。 PaPISは、病理関連視覚的手がかりとより正確に一致し、微妙な細胞構造を区別する。
  論文  参考訳（メタデータ） (2025-07-16T20:39:55Z)
• Unsupervised contrastive analysis for anomaly detection in brain MRIs via conditional diffusion models [13.970483987621135]
  本研究では、健康な画像に対して自己教師付きコントラストエンコーダを訓練することにより、再建品質を改善するための教師なしフレームワークを提案する。 これらの特徴は、拡散モデルを用いて、与えられた画像の健全な外観を再構成し、画素ワイド比較による解釈可能な異常な局所化を可能にする。
  論文  参考訳（メタデータ） (2024-06-02T15:19:07Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• VAESim: A probabilistic approach for self-supervised prototype discovery [0.23624125155742057]
  条件付き変分オートエンコーダに基づく画像階層化アーキテクチャを提案する。 我々は、連続した潜伏空間を用いて障害の連続を表現し、訓練中にクラスターを見つけ、画像/患者の成層に使用することができる。 本手法は,標準VAEに対して,分類タスクで測定されたkNN精度において,ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-25T17:55:31Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。