論文の概要: Towards Reliable Stain Transfer: An Iterative Data-Model Co-Optimization Framework Based on Multimodal Expert-Guided Assessment
- arxiv url: http://arxiv.org/abs/2607.25393v1
- Date: Tue, 28 Jul 2026 07:54:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.751362
- Title: Towards Reliable Stain Transfer: An Iterative Data-Model Co-Optimization Framework Based on Multimodal Expert-Guided Assessment
- Title（参考訳）: 信頼性スタントランスファーに向けて:マルチモーダルエキスパートガイド評価に基づく反復的データモデル協調最適化フレームワーク
- Abstract要約: Stain Transferのための新しいデータモデル共最適化フレームワークDMCoStainを提案する。
反復的にトレーニングデータとモデル能力を再定義し、病理的および構造的整合性の両方において染色精度と解釈性を向上させる。
MEGFS をサポートするために,150K VQA サンプルを用いた IPE 命令追従型大規模データセットである ImmunoInstruction を構築した。
- 参考スコア（独自算出の注目度）: 55.16957949238588
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Histopathological examination primarily relies on hematoxylin and eosin (H&E) and immunohistochemistry (IHC) staining. Although IHC provides critical molecular information, it is costly and requires specialized expertise. Stain transfer provides an efficient alternative by computationally generating IHC from H&E images, but remains challenged by unified and interpretable modeling for heterogeneous biomarkers under pixel-unaligned supervision. We propose DMCoStain, a novel Data-Model Co-optimization framework for Stain transfer. It iteratively co-refines training data and model capability, improving staining accuracy and interpretability in both pathological and structural consistency. To refine training data in a clinically meaningful manner, it incorporates the Multimodal Expert-Guided Finer Selection (MEGFS) strategy, built upon a pioneering IHC-positive-expression (IPE) vision-language model (VLM) that emulates pathologist reasoning. To support MEGFS, we construct ImmunoInstruction, the first large-scale IPE instruction-following dataset with 150K VQA samples. Extensive experiments on multiple tissues and biomarkers demonstrate that DMCoStain achieves state-of-the-art (SOTA) accuracy. This paradigm offers strong practical value, and MEGFS also functions as a specialized evaluation tool for future model development. Dataset, code, and more details are in https://github.com/SikangSHU/DMCoStain.
- Abstract（参考訳）: 病理組織学的検査は主にヘマトキシリンとエオシン(H&E)と免疫組織化学(IHC)染色に依存している。
IHCは重要な分子情報を提供するが、高価で専門的な専門知識を必要とする。
ステイントランスファーは、H&E画像からIHCを計算的に生成する効率的な代替手段を提供するが、画素不整合監督の下で不均一なバイオマーカーの統一的、解釈可能なモデリングによって、依然として挑戦されている。
Stain Transferのための新しいデータモデル共最適化フレームワークDMCoStainを提案する。
反復的にトレーニングデータとモデル能力を再定義し、病理的および構造的整合性の両方において染色精度と解釈性を向上させる。
臨床的に有意義な方法でトレーニングデータを洗練するために、病理学者の推論をエミュレートするIHC陽性表現(IPE)視覚言語モデル(VLM)を先駆的に構築した、MEGFS(Multimodal Expert-Guided Finer Selection)戦略を取り入れている。
MEGFS をサポートするために,150K VQA サンプルを用いた IPE 命令追従型大規模データセットである ImmunoInstruction を構築した。
複数の組織とバイオマーカーに関する大規模な実験は、DMCoStainが最先端(SOTA)の精度を達成することを示した。
このパラダイムは強力な実用的価値を提供し、MEGFSは将来のモデル開発のための特別な評価ツールとしても機能する。
データセット、コード、その他の詳細はhttps://github.com/SikangSHU/DMCoStain.comにある。
関連論文リスト
- Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。
COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。
本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文 参考訳（メタデータ） (2026-07-24T04:26:47Z) - Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction [0.0]
エストロゲン受容体(ER)は乳癌の診断、予後、治療選択において重要なバイオマーカーである。
本研究では,ER状態予測のための古典的機械学習モデルの系統的ベンチマーク分析を提案する。
論文 参考訳（メタデータ） (2026-06-27T02:46:40Z) - Multi-modal Knowledge Decomposition based Online Distillation for Biomarker Prediction in Breast Cancer Histopathology [9.978792979899376]
IHCバイオマーカー予測を強化するために,MKD(Multi-modal Knowledge Decomposition)に基づくオンライン蒸留手法を提案する。
2人の教師と1人の学生が、モダリティに特有かつモダリティに特有な特徴を抽出するために開発されている。
本手法は, 単モーダルデータを用いたIHCバイオマーカー予測において, 優れた性能を実現する。
論文 参考訳（メタデータ） (2025-08-24T04:56:17Z) - From Pixels to Pathology: Restoration Diffusion for Diagnostic-Consistent Virtual IHC [37.284994932355865]
本稿では,仮想染色を画像復元タスクとして再構成する構造対応染色復元拡散モデルであるStar-Diffを紹介する。
残留物とノイズに基づく生成経路を組み合わせることで、スターディフは現実的なバイオマーカーの変動をモデル化しながら組織構造を維持する。
BCIデータセットの実験は、Star-Diffが視覚的忠実度と診断関連性の両方で最先端(SOTA)のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-08-04T15:36:58Z) - HistDiST: Histopathological Diffusion-based Stain Transfer [4.936165689668498]
HistDiSTは、高忠実度H&E-to-IHC翻訳のための潜在拡散モデル(LDM)ベースのフレームワークである。
HistDiSTは既存の手法よりも優れており、H&E-to-Ki6767の評価においてMRAを28%改善した。
論文 参考訳（メタデータ） (2025-05-11T00:19:22Z) - PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。
我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。
CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文 参考訳（メタデータ） (2024-09-08T15:02:25Z) - Structural Cycle GAN for Virtual Immunohistochemistry Staining of Gland
Markers in the Colon [1.741980945827445]
ヘマトキシリンとエオシン(H&E)染色は疾患解析、診断、グレーディングにおいて最も頻繁に用いられる染色の一つである。
病理学者は、特定の構造や細胞を分析するために異種化学染色(IHC)を必要とする。
ヘマトキシリンとエオシン(H&E)染色は疾患解析、診断、グレーディングにおいて最も頻繁に用いられる染色の一つである。
論文 参考訳（メタデータ） (2023-08-25T05:24:23Z) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳（メタデータ） (2022-04-24T07:38:37Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - 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)
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。