論文の概要: HiST: A Hierarchical Sparse Transformer for Cross-Modal Spatial Transcriptomics Modeling

• arxiv url: http://arxiv.org/abs/2606.14251v1
• Date: Fri, 12 Jun 2026 08:29:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.830082
• Title: HiST: A Hierarchical Sparse Transformer for Cross-Modal Spatial Transcriptomics Modeling
• Title（参考訳）: 階層型スパース変換器HiST
• Authors: Weiyi Wu, Xinwen Xu, Xingjian Diao, Siting Li, Zhi Wei, Alma Andersson, Jiang Gui,
• Abstract要約: 全スライディングH&E-ST推論は、スパースで不規則な位置の遺伝子測定とギガピクセルの画像をペアリングする。 格子印加されたスパース場として計測された位置を取り扱う階層的なスパース変換器であるHiSTを提案する。 HiSTは、実行時とピークメモリを削減しながら、最近のベースラインよりも予測性能を改善する。
• 参考スコア（独自算出の注目度）: 4.507528100533599
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial transcriptomics (ST) links gene expression with tissue morphology but remains expensive and low-throughput, motivating surrogates that infer expression from routine histology. Whole-slide H&E-to-ST inference pairs a gigapixel image with gene measurements at a sparse, irregular set of locations, making multiscale modeling challenging without incurring dense-grid overhead or quadratic token mixing. We propose HiST, a hierarchical sparse transformer that treats measured locations as a lattice-indexed sparse field and builds a dyadic encoder--decoder directly on the active tissue footprint. HiST combines sparse window attention for local geometric correspondence with resolution-changing operators for rapid multiscale context integration. For a fixed window size, the dominant runtime and memory scale with the number of observed locations rather than the dense slide area. To mitigate slide-specific acquisition variation, HiST adds a bottlenecked global conditioning pathway via a \emph{slide calibration token} that summarizes slide-level context and conditions local representations. On a multi-organ benchmark spanning diverse tissues and acquisition sources, HiST improves predictive performance over recent baselines while reducing runtime and peak memory.
• Abstract（参考訳）: 空間転写学(ST)は、遺伝子発現と組織形態を関連付けるが、それでも高価で低スループットであり、定期的な組織学から発現を推測するサロゲートを動機付けている。 全スライディングH&E-ST推論は、粗い不規則な位置の遺伝子測定とギガピクセルの画像をペアリングし、密度の強いオーバーヘッドや二次的なトークンの混合を発生させることなく、マルチスケールのモデリングに挑戦する。 本研究では, 計測位置を格子印加したスパースフィールドとして扱う階層型スパーストランス (HiST) を提案し, 活性組織フットプリントに直接ダイアルエンコーダ-デコーダを構築する。 HiSTは、局所幾何対応のためのスパースウィンドウアテンションと、高速なマルチスケールコンテキスト統合のための解像度変化演算子を組み合わせた。 固定ウィンドウサイズでは、高密度のスライド領域ではなく、観測された位置の個数で支配的な実行時間とメモリスケールが設定される。 スライド固有の取得のバリエーションを軽減するため、HiSTは、スライドレベルのコンテキストと条件ローカル表現を要約した \emph{slide calibration token} を通じて、ボトルネック付きグローバルコンディショニングパスを追加する。 さまざまな組織や取得ソースにまたがるマルチ組織ベンチマークでは、HiSTはランタイムとピークメモリを削減しつつ、最近のベースラインよりも予測性能を改善している。

関連論文リスト

• Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning [52.41928980786654]
  スライド画像全体に対してトークン効率のよいスケール空間連続推論を可能にするPathCTMを提案する。 PathCTMは診断推論を動的逐次情報追跡として定式化する。 必要な画像パッチの数を95.95%削減し、推論時間を約95.62%短縮し、AUCを劣化せずに維持する。
  論文  参考訳（メタデータ） (2026-05-19T07:46:44Z)
• Geometry-Aware State Space Model: A New Paradigm for Whole-Slide Image Representation [8.483387656208363]
  全スライド画像(WSI)は、組織標本をギガピクセル解像度でデジタル化する。 現在の方法では、パッチ表現を同質ユークリッド空間に暗黙的に埋め込む。 双対幾何学空間にWSI特徴を埋め込むハイブリッド双曲型ユークリッド表現を導入する。
  論文  参考訳（メタデータ） (2026-05-06T17:33:30Z)
• Hybrid Dual-Path Linear Transformations for Efficient Transformer Architectures [0.0]
  本稿では,アフィン変換を2つのトポロジカルな経路に分解するHybrid Dual-Path Linear (HDPL)演算子について紹介する。 FineWeb-Eduデータセットの実験では、HDPLアーキテクチャが標準のLlamaスタイルのベースラインより優れていることが示されている。 本稿では,トランスフォーマーのバックボーン内での確率的潜在空間の明示的な物質化が,重要な建築的余裕として果たす役割について論じる。
  論文  参考訳（メタデータ） (2026-02-05T20:16:10Z)
• Graph Laplacian Transformer with Progressive Sampling for Prostate Cancer Grading [2.9485900021889146]
  本稿では,特徴学習と空間整合性の両立を図るために,反復リファインメントモジュール (IRM) と統合されたグラフラプラシアンアテンションベーストランス (GLAT) を提案する。 IRMは、事前訓練されたResNet50を局所的特徴抽出に利用し、重要なスコアリングのために、非段階的なモードで基礎モデルを活用することにより、パッチ選択を反復的に洗練する。 GLATは、パッチがノードとして機能するグラフを構築し、グラフラプラシアン制約による空間的一貫性を確保することによって、組織レベルの接続をモデル化する。
  論文  参考訳（メタデータ） (2025-12-11T16:55:57Z)
• Img2ST-Net: Efficient High-Resolution Spatial Omics Prediction from Whole Slide Histology Images via Fully Convolutional Image-to-Image Learning [11.64586325986379]
  Img2ST-Netは効率的な高分解能ST予測のための新しい組織学からST生成フレームワークである。 Img2ST-Netは完全な畳み込みアーキテクチャを用いて高密度のHD遺伝子発現マップを並列に生成する。 我々は高分解能ST予測のためのスケーラブルで生物学的に一貫性のあるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-20T03:41:11Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Scalable Generation of Spatial Transcriptomics from Histology Images via Whole-Slide Flow Matching [21.343517232305533]
  スライド全体の遺伝子発現の結合分布をモデル化し,細胞間相互作用を考慮したフローマッチング生成モデルSTFlowを提案する。 最近行われたHEST-1kとSTImage-1K4Mベンチマークでは、STFlowは最先端のベースラインを大幅に上回り、病理基盤モデルよりも18%以上改善されている。
  論文  参考訳（メタデータ） (2025-05-25T01:29:19Z)
• USAGE: A Unified Seed Area Generation Paradigm for Weakly Supervised Semantic Segmentation [90.08744714206233]
  両タイプのネットワークに対して,シードエリアジェネレーション(USAGE)のための統一最適化パラダイムを提案する。 実験の結果,UAGEはCNNとトランスフォーマーの両方のシード領域生成を一貫して改善することがわかった。
  論文  参考訳（メタデータ） (2023-03-14T11:25:02Z)
• Efficient and Stable Graph Scattering Transforms via Pruning [86.76336979318681]
  グラフ散乱変換(GST)は、グラフデータから特徴を抽出する訓練のないディープGCNモデルを提供する。 GSTが支払う価格は、層の数によって増加する空間と時間の指数関数的な複雑さである。 本研究は, GST の複雑性の限界に対処し, 効率的な (p) GST アプローチを導入する。
  論文  参考訳（メタデータ） (2020-01-27T16:05:56Z)

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。