論文の概要: Deep Learning for Generating Computational PIN-4 Immunohistochemistry Staining from Prostate Biopsy H&E Images

• arxiv url: http://arxiv.org/abs/2606.01871v1
• Date: Mon, 01 Jun 2026 08:19:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 00:57:58.946594
• Title: Deep Learning for Generating Computational PIN-4 Immunohistochemistry Staining from Prostate Biopsy H&E Images
• Title（参考訳）: 前立腺生検H&E画像を用いたPIN-4免疫組織化学の深層学習
• Authors: Vietbao Tran, Pratik Shah,
• Abstract要約: PIN-4染色は通常、ヘマトキシリンとエオシン(H&E)染色組織の隣接組織で行われる。 正常な臨床前立腺生検画像からH&E/PIN-4データセットを合成した。 ネイティブH&E画像パッチから直接PIN-4染色パターンを合成するために,条件付き生成対向ネットワーク(cGAN)を訓練した。
• 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: Immunohistochemistry (IHC)is frequently used to resolve diagnostically ambiguous prostate cancer biopsy findings on hematoxylin and eosin (H&E)-stained tissue. However, PIN-4 IHC staining is typically performed on adjacent tissue sections, limiting direct spatial comparison between the H&E morphology and the corresponding immunophenotypic signal. A paired, registered H&E/PIN-4 dataset was constructed from routine clinical prostate biopsy whole-slide images (WSIs), and a conditional generative adversarial network (cGAN) was trained to synthesize PIN-4 staining patterns directly from native H&E image patches. The final dataset comprised 172 paired WSIs from 93 patients and 27,298 registered 1024x1024 patch pairs, spanning adenocarcinoma-positive and benign cases with representation across age, race, and ethnicity groups. The model was evaluated on a held-out test set of 1,814 patch pairs from 17 WSIs, achieving a mean peak signal-to-noise ratio (PSNR) of 21.88 dB, structural similarity index measure (SSIM) of 0.667, Pearson correlation coefficient (PCC) of 0.684, and learned perceptual image patch similarity (LPIPS) of 0.417. Qualitative review by a board-certified pathologist showed that generated images captured diagnostically relevant PIN-4 staining patterns, including AMACR/racemase expression and basal-cell-associated staining, while preserving spatial correspondence with the source H&E morphology. Accuracy of synthesis varied across morphologically complex regions, including high-grade carcinoma and intraductal carcinoma. These results support the feasibility of supervised PIN-4 synthesis from routinely acquired brightfield H&E prostate biopsy images. The approach enables direct interpretation of predicted PIN-4 marker patterns in the context of the source prostate H&E architecture, addressing a current spatial limitation of conventional adjacent-section IHC.
• Abstract（参考訳）: 免疫組織化学(IHC)は、ヘマトキシリンおよびエオシン(H&E)染色組織における診断学的に曖昧な前立腺癌生検所見を解決するために頻繁に用いられる。 しかし、PIN-4 IHC染色は通常、隣接する組織部位で行われ、H&E形態とそれに対応する免疫フェノタイプ信号との直接空間的比較が制限される。 The paired, registered H&E/PIN-4 dataset was constructed from routine clinical prostate biopsy whole-slide images (WSIs) and a conditional generative adversarial network (cGAN) was trained to synthesis PIN-4 staining pattern from native H&E image patch。 最終データセットは、93人の患者172組のWSIと、27,298人が登録した1024×1024のパッチペアからなり、年齢、人種、民族に代表される腺癌陽性および良性症例にまたがった。 モデルは,17 WSIの1,814個のパッチペアを用いて,21.88dBの平均ピーク信号-雑音比(PSNR),0.667のSSIM,0.684のPearson相関係数(PCC),0.417のLPIPSを学習した。 AMACR/racemase発現や基底細胞関連染色など,診断に関連のあるPIN-4染色パターンを撮像した画像が得られたが,H&E形態との空間的対応は保たれた。 合成の精度は, 高次癌, 管内癌など, 形態学的に複雑な領域で異なっていた。 これらの結果は、日常的に取得された明るいH&E前立腺生検画像からの教師付きPIN-4合成の実現性を支持する。 この手法により、従来の隣接区間IHCの空間制限に対処するため、ソース前立腺H&Eアーキテクチャの文脈で予測されたPIN-4マーカーパターンを直接解釈できる。

関連論文リスト

• CoDaS: AI Co-Data-Scientist for Biomarker Discovery via Wearable Sensors [44.01195029438923]
  バイオマーカー発見を反復的プロセスとして構築するシステムであるCoDaS(AI Co-Data-Scientist)を紹介する。 コホートは計9,279人、CoDaSは41人のメンタルヘルスと25人のメタボリックな結果を得た。 CoDaSは、両データセットの概日不安定性に関連する特徴を睡眠時間変動に反映した。
  論文  参考訳（メタデータ） (2026-04-16T04:47:55Z)
• Morpho-Genomic Deep Learning for Ovarian Cancer Subtype and Gene Mutation Prediction from Histopathology [0.0]
  現在の診断方法は、精密腫瘍学に必要なゲノム変異を明らかにする能力に限られている。 本研究では,定量的核形態計測と深部畳み込み画像特徴を融合したハイブリッドディープラーニングパイプラインを提案する。 パイプライン全体の分類精度は84.2%(Macro AUC$0.87 pm 0.03$)である。
  論文  参考訳（メタデータ） (2025-11-05T11:09:20Z)
• Hybrid Ensemble of Segmentation-Assisted Classification and GBDT for Skin Cancer Detection with Engineered Metadata and Synthetic Lesions from ISIC 2024 Non-Dermoscopic 3D-TBP Images [0.0]
  本研究は,皮膚病変の分類のためのハイブリッドマシンと深層学習に基づくアプローチを提案する。 3D全体写真(TBP)から抽出した401,059個の画像からなり、非皮膚内視鏡的なスマートフォンのような状態をエミュレートする。 予測は、エンジニアリングされた特徴と患者固有の関係指標によって強化された、勾配ブースト決定木(GBDT)アンサンブルで融合される。
  論文  参考訳（メタデータ） (2025-06-03T22:00:03Z)
• A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
  本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。 KEEPはゼロショット癌診断タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-17T17:45:21Z)
• Hybrid deep learning-based strategy for the hepatocellular carcinoma cancer grade classification of H&E stained liver histopathology images [2.833640239679924]
  肝細胞癌(HCC)は肝癌の一種であり,早期診断が一般的である。 本稿では、トランスファーラーニングを用いて、事前学習された畳み込みニューラルネットワーク(CNN)モデルから特徴を抽出するハイブリッドディープラーニングベースのアーキテクチャを提案する。 提案したハイブリッドモデルでは,TCGA-LIHCおよびKMCデータベースの事前学習モデルよりも2%,4%の精度が向上した。
  論文  参考訳（メタデータ） (2024-12-04T07:26:36Z)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Feature Fusion of Raman Chemical Imaging and Digital Histopathology using Machine Learning for Prostate Cancer Detection [0.0]
  本研究は, 染色デジタル組織学 (DP) と非定常ラマンケミカルイメージング (RCI) によるマルチモーダル画像を用いた。 この仮説は、マルチモーダル画像モデルが診断精度の点で単一のモダリティベースラインモデルより優れているかどうかを検証した。
  論文  参考訳（メタデータ） (2021-01-18T22:11:42Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。