論文の概要: PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images

• arxiv url: http://arxiv.org/abs/2606.01543v1
• Date: Mon, 01 Jun 2026 01:43:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.855968
• Title: PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images
• Title（参考訳）: PathAR:マルチモーダルな病理像の1次自己回帰合成
• Authors: Yuan Zhang, Jiahao Xia, Junzhang Huang, Meng Wang, Feng Chen, Guanyu Yang, Huazhu Fu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.428093790826814
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Data scarcity in multimodal pathology motivates unified generative models that synthesize modality-specific appearance while preserving anatomically coherent structure. Although modalities differ in appearance statistics, morphological structures such as cellular topology and tissue boundaries are largely preserved across acquisition protocols. However, existing methods often model these factors within a homogeneous token stream, implicitly coupling structure with appearance and weakening structural controllability under modality shifts. To address this, we propose pathology Autorgressive modeling (PathAR), a structure-first autoregressive synthesis framework that explicitly factorizes structure and appearance for modality-label-conditioned pathology generation.PathAR employs a dual vector quantization (Dual-VQ) tokenizer to decompose samples into mask-grounded structure and appearance tokens, and an interleaved autoregressive (IAR) transformer with asymmetric attention visibility to enforce structure-to-appearance dependence. PathAR stabilizes morphology under heterogeneous modality-specific appearances and enables spatially aligned image--mask pair generation. Extensive experiments show that PathAR improves structural consistency and modality fidelity over baselines, maintains sample diversity, supports downstream segmentation in data-scarce regimes, and demonstrates extensibility to finer-grained intra-modality organ-label variation.
• Abstract（参考訳）: マルチモーダル病理学におけるデータ不足は、解剖学的に一貫性のある構造を維持しながら、モダリティ固有の外観を合成する統合生成モデルを動機付けている。 外観統計学ではモダリティは異なるが、細胞トポロジーや組織の境界といった形態構造は、取得プロトコル全体にわたって大きく保存されている。 しかし、既存の手法はしばしばこれらの因子を均質なトークンストリーム内でモデル化し、外観と暗黙的に結合し、モダリティシフトの下で構造制御性を弱める。 そこで,本論文では,PathARを2次元ベクトル量子化(Dual-VQ)トークン化して,サンプルをマスク基底構造と外観トークンに分解する手法と,非対称視認性を有する自己回帰変換器(IAR)変換器を提案する。 PathARは、不均一なモジュラリティ固有の外観下で形態を安定化し、空間的に整列した画像-マスクペア生成を可能にする。 大規模な実験により、PathARはベースライン上の構造的一貫性とモダリティの忠実さを改善し、サンプルの多様性を維持し、データ・スカース・レシエーションにおける下流のセグメンテーションをサポートし、より微細なモダリティ内オルガン・ラベルの変動に対する拡張性を示す。

関連論文リスト

• TopoOR: A Unified Topological Scene Representation for the Operating Room [54.50897207203292]
  手術シーングラフは外科手術室(OR)の複雑さを実体の構造とその関連性に抽象化する。 マルチモーダルな手術室を高次構造としてモデル化する新しいパラダイムであるTopoORを紹介する。 また,多様体の構造やモジュラリティに特有な特徴を明示的に保存する高次アテンション機構を提案する。
  論文  参考訳（メタデータ） (2026-03-10T10:19:42Z)
• 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)
• PathoSyn: Imaging-Pathology MRI Synthesis via Disentangled Deviation Diffusion [11.223559964746705]
  磁気共鳴イメージング(MRI)画像合成のための統合生成フレームワークPathoSynを提案する。 PathoSynは、画像病理を安定な解剖学的多様体上の不整合加法偏差として再構成する。 PathoSynは、知覚現実主義と解剖学的忠実性の両方において、全体的拡散とマスク条件ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-12-29T01:13:50Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• RankByGene: Gene-Guided Histopathology Representation Learning Through Cross-Modal Ranking Consistency [11.813883157319381]
  ランク付けに基づくアライメント損失を用いて、遺伝子と画像の特徴を整列する新しいフレームワークを提案する。 そこで我々は,教師と学生のネットワークアーキテクチャを用いた自己指導型知識蒸留を用いて,アライメントの安定性をさらに向上させる。
  論文  参考訳（メタデータ） (2024-11-22T17:08:28Z)
• Amortised Inference in Structured Generative Models with Explaining Away [16.92791301062903]
  我々は、複数の変数に対して構造化因子を組み込むために、償却変分推論の出力を拡張した。 パラメータ化された因子は、複雑な図形構造における変分メッセージパッシングと効率的に結合可能であることを示す。 次に、構造化されたモデルと、自由に動くげっ歯類の海馬からの高次元神経スパイク時系列を適合させる。
  論文  参考訳（メタデータ） (2022-09-12T12:52:15Z)

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。