論文の概要: S$^3$-Diff: Structural Semantic Synergy Diffusion Model for High Fidelity Super Resolution of Pathological Images
- arxiv url: http://arxiv.org/abs/2608.03540v1
- Date: Tue, 04 Aug 2026 12:16:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.18169
- Title: S$^3$-Diff: Structural Semantic Synergy Diffusion Model for High Fidelity Super Resolution of Pathological Images
- Title（参考訳）: S$^3$-Diff: 病理像の高忠実度超解像のための構造的意味的相乗拡散モデル
- Abstract要約: デジタル病理学は、正確な診断のために高解像度のスライド画像に頼っているが、画像装置、記憶装置、送信装置の制限により、臨床解釈においてより解像度の低い画像がより一般的になることが多い。
病理画像の高忠実度超解像のための拡散フレームワークである構造的セマンティック拡散相乗モデル(S3-Diff)を開発した。
S3-DiffのコアはSpecimen-aware Structure Anchoring (SSA)であり、固定SAMによって抽出された予後認識組織とLR-HR勾配の相違を組み合わせ、標本特異的な構造アンカーを生成し、病理形態を保存している。
- 参考スコア（独自算出の注目度）: 26.861049165066635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital pathology relies on high-resolution whole slide images for accurate diagnosis, yet limitations in imaging devices, storage, and transmission often make lower-resolution pathology images more common in clinical workflows. Current super-resolution techniques often tend to smooth diagnostically relevant morphology, leading to over-smoothed textures and semantic drift that compromise downstream clinical interpretation. To this end, we develop the Structural Semantic Synergy Diffusion Model (S3-Diff), a diffusion framework for high-fidelity super-resolution of pathological images. The core of S3-Diff is Specimen-aware Structural Anchoring (SSA), which combines prognosis-aware tissue support extracted by a fixed SAM with LR-HR gradient discrepancies to generate a specimen-specific structural anchor to preserve pathological morphology. Concurrently, we introduce Structure-guided Semantic Fidelity Tuning (SSFT) to adapt DINOv3 representations using SSA-derived structural supervision. SSFT combines the adapted semantic energy with LR-derived edge and grayscale cues. The resulting control guides denoising to suppress stochastic artifacts and maintain structural consistency. Extensive experimental results demonstrate that S3-Diff consistently outperforms state-of-the-art methods in both reconstruction quality and downstream survival analysis performance. The source code will be made public.
- Abstract（参考訳）: デジタル病理学は、正確な診断のために高解像度のスライド画像に頼っているが、画像装置、ストレージ、送信の制限により、臨床ワークフローにおいてより解像度の低い画像がより一般的になることが多い。
現在の超解像技術は診断に関係した形態を円滑に扱う傾向があり、過度に滑らかなテクスチャや、下流の臨床的解釈を損なうセマンティックドリフトをもたらす。
この目的のために、我々は、病理画像の高忠実度超解像のための拡散フレームワークである構造的セマンティックシナジー拡散モデル(S3-Diff)を開発した。
S3-DiffのコアはSpecimen-aware Structure Anchoring (SSA)であり、固定SAMによって抽出された予後認識組織とLR-HR勾配の相違を組み合わせ、標本特異的な構造アンカーを生成し、病理形態を保存している。
同時に,構造誘導型セマンティック・フィデリティ・チューニング(SSFT)を導入し,SSAに基づく構造監視を用いてDINOv3表現を適応させる。
SSFTは、適応されたセマンティックエネルギーとLR由来のエッジとグレースケールのキューを組み合わせる。
結果として生じる制御ガイドは、確率的アーティファクトを抑制し、構造的整合性を維持する。
S3-Diffは, 復元品質と下流生存解析性能の両方において, 常に最先端の手法より優れていた。
ソースコードは公開されます。
関連論文リスト
- Morphology-Aware Implicit Super-Resolution Network for Pathological Images [27.177894894882673]
Morph-ISRはDigital Pathologyのための暗黙の超解像フレームワークである。
複雑な組織の多様性の下で、診断に関係のある詳細をサブピクセル精度で復元する。
Morph-ISRは評価手法の中で最高のLPIPSとST-LPIPSを実現している。
論文 参考訳（メタデータ） (2026-08-04T13:41:57Z) - PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
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。
論文 参考訳（メタデータ） (2026-06-01T01:43:48Z) - Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。
In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。
IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
論文 参考訳（メタデータ） (2026-03-11T06:14:11Z) - 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) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。
MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
論文 参考訳（メタデータ） (2025-10-25T15:40:07Z) - Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。
現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。
本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
論文 参考訳（メタデータ） (2025-09-11T23:12:55Z) - FCaS: Fine-grained Cardiac Image Synthesis based on 3D Template Conditional Diffusion Model [23.9686884119236]
本稿では,3次元テンプレート条件付き拡散モデル上に構築された細粒度心臓画像合成フレームワークを提案する。
FCaSはテンプレート誘導条件拡散モデル(TCDM)を用いた正確な心構造生成を実現する
本稿では,不正確な合成画像による混乱を軽減するために,信頼を意識した適応学習(CAL)戦略を提案する。
論文 参考訳（メタデータ） (2025-03-12T17:25:09Z) - URCDM: Ultra-Resolution Image Synthesis in Histopathology [4.393805955844748]
Ultra-Resolution Cascaded Diffusion Models (URCDMs) は、すべての病理像を高分解能で合成することができる。
本手法は脳,乳腺,腎臓の組織からなる3つの異なるデータセットを用いて評価した。
URCDMは、訓練された評価器が実際の画像と区別できない様々な解像度の出力を一貫して生成する。
論文 参考訳（メタデータ） (2024-07-18T08:31:55Z) - 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。
スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。
本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
論文 参考訳（メタデータ） (2024-05-17T11:23:33Z)
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。