論文の概要: Morphology-Aware Implicit Super-Resolution Network for Pathological Images
- arxiv url: http://arxiv.org/abs/2608.03664v1
- Date: Tue, 04 Aug 2026 13:41:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.224529
- Title: Morphology-Aware Implicit Super-Resolution Network for Pathological Images
- Title（参考訳）: 病理画像に対する形態認識型超解像ネットワーク
- Authors: Jiaming Liang, QiHui Han, Haolin Chen, Chengxin Ye, Jiawen Liu, Jiazhou Chen, Xiaoqi Sheng, Hongmin Cai,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 27.177894894882673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate diagnosis in Digital Pathology (DP) relies on high-resolution whole-slide images, yet clinical deployment is often limited by hardware costs. Super-Resolution (SR) offers a promising alternative by computationally enhancing low-resolution acquisitions. However, existing SR methods frequently struggle to preserve fine-grained cellular morphology, leading to texture oversmoothing and blurred structural boundaries under complex tissue variability. To address this issue, we propose Morph-ISR, a morphology-aware implicit super-resolution framework for DP that restores diagnostically relevant details with sub-pixel precision. Morph-ISR reformulates SR as a continuous coordinate-based reconstruction problem and integrates an Implicit Position-aware Kernel Generator (IPKG) to adaptively model spatially varying tissue morphology. To further enhance structural fidelity, a Morphological Fidelity Prior (MFP) is introduced, leveraging semantic guidance from a pre-trained cell segmentation network to enforce boundary-preserving and region-aware reconstruction, thereby improving the representation of critical cellular boundaries and nuclear textures. Experiments on TCGA and SurGen datasets show that Morph-ISR achieves the best LPIPS and ST-LPIPS among the evaluated methods, reducing them by up to 38.37% and 39.55%, respectively, over the second-best methods while maintaining strong PSNR and SSIM. These results demonstrate superior preservation of diagnostically relevant cellular boundaries and nuclear textures, while compact parameterization and high throughput support efficient edge deployment. Code and trained models will be released upon publication.
- Abstract（参考訳）: DP(Digital Pathology)の正確な診断は、高解像度の全スライディング画像に依存するが、臨床展開はハードウェアコストによって制限されることが多い。
Super-Resolution (SR)は、低解像度の取得を計算的に強化することで、有望な代替手段を提供する。
しかし、既存のSR法はしばしば微細な細胞形態の保存に苦慮し、複雑な組織の多様性の下では、テクスチャの過度な過剰な構造境界とぼやけた構造境界をもたらす。
この問題に対処するために,我々は,診断に関連のある詳細をサブピクセル精度で復元するDPのための形態認識型暗黙超解像フレームワークであるMorph-ISRを提案する。
Morph-ISRは、SRを連続座標に基づく再構成問題として再構成し、Implicit Position-aware Kernel Generator (IPKG)を統合し、空間的に変化する組織形態を適応的にモデル化する。
構造的忠実性をさらに高めるため、MFP(Morphological Fidelity Prior)を導入し、事前訓練された細胞セグメンテーションネットワークからのセマンティックガイダンスを活用して、境界保存及び領域認識再構築を強制し、重要な細胞境界と核テクスチャの表現を改善する。
TCGAデータセットとSurGenデータセットの実験により、Morph-ISRは評価手法の中で最高のLPIPSとST-LPIPSを達成し、それぞれ38.37%と39.55%まで削減した。
これらの結果は,コンパクトなパラメータ化と高スループットのエッジ展開を効果的に支援しながら,診断に関連のある細胞境界と核テクスチャの保存が優れていることを示す。
コードとトレーニングされたモデルは、公開時にリリースされる。
関連論文リスト
- S$^3$-Diff: Structural Semantic Synergy Diffusion Model for High Fidelity Super Resolution of Pathological Images [26.861049165066635]
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。
論文 参考訳（メタデータ） (2026-08-04T12:16:36Z) - 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) - 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) - DSA-SRGS: Super-Resolution Gaussian Splatting for Dynamic Sparse-View DSA Reconstruction [67.42242016220122]
血管造影は脳血管疾患の補助的診断と治療のための重要な画像診断法である。
ガウススプラッティングと動的神経表現の最近の進歩は、スパースダイナミックインプットから頑健な3次元血管再構築を可能にしている。
本稿では、動的スパースビューDSA再構成のための初の超高分解能ガウススプラッティングフレームワークであるDSA-SRGSを提案する。
論文 参考訳（メタデータ） (2026-03-05T03:41:08Z) - 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) - Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。
本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。
CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-13T08:31:46Z) - Deep Skin Lesion Segmentation with Transformer-CNN Fusion: Toward Intelligent Skin Cancer Analysis [7.83167489472557]
本稿では,改良されたTransUNetアーキテクチャに基づく高精度セマンティックセマンティックセマンティクス手法を提案する。
この方法はトランスフォーマーモジュールを従来のエンコーダ・デコーダフレームワークに統合し、グローバルな意味情報をモデル化する。
境界誘導型アテンション機構とマルチスケールアップサンプリングパスも、病変境界の局所化とセグメンテーションの整合性を改善するために設計されている。
論文 参考訳（メタデータ） (2025-08-20T07:59:00Z) - Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。
既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。
本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
論文 参考訳（メタデータ） (2025-07-10T12:36:20Z) - FundusGAN: A Hierarchical Feature-Aware Generative Framework for High-Fidelity Fundus Image Generation [35.46876389599076]
FundusGANは、高忠実度ファンドス画像合成用に特別に設計された新しい階層的特徴認識生成フレームワークである。
我々は、FundusGANが複数のメトリクスにわたって最先端のメソッドを一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2025-03-22T18:08:07Z) - RetiFluidNet: A Self-Adaptive and Multi-Attention Deep Convolutional
Network for Retinal OCT Fluid Segmentation [3.57686754209902]
OCTガイド下治療には網膜液の定量化が必要である。
RetiFluidNetと呼ばれる新しい畳み込みニューラルアーキテクチャは、多クラス網膜流体セグメンテーションのために提案されている。
モデルは、テクスチャ、コンテキスト、エッジといった特徴の階層的な表現学習の恩恵を受ける。
論文 参考訳（メタデータ） (2022-09-26T07:18:00Z)
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。