論文の概要: Assessment of Conditional Diffusion Model for Synthetic Histopathology Image Generation

• arxiv url: http://arxiv.org/abs/2608.03990v1
• Date: Tue, 04 Aug 2026 17:51:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.304117
• Title: Assessment of Conditional Diffusion Model for Synthetic Histopathology Image Generation
• Title（参考訳）: 合成病理画像生成のための条件拡散モデルの評価
• Abstract要約: 本稿では,Frechet Inception Distance (FID) やInception Score (IS) などの従来の総合的データ評価指標が病理組織像に適用した場合の限界について述べる。 これらの制約に対処するため、デジタル病理学データセットに事前訓練された基礎モデルを用いた修正FIDとISアプローチを提案する。
• 参考スコア（独自算出の注目度）: 13.18104339591425
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Synthetic histopathology image generation has emerged as an approach that may address data scarcity in computational pathology, yet current evaluation methodologies may not fully assess synthetic data quality for medical applications. This work investigates and addresses limitations in existing evaluation metrics, investigating an approach for assessing synthetic histopathology image quality through domain-specific metrics and downstream task validation. We show that conventional synthetic data evaluation metrics such as Frechet Inception Distance (FID) and Inception Score (IS) may have limitations when applied to histopathology images due to their reliance on ImageNet-pretrained feature extractors. To address these limitations, we propose for consideration modified FID and IS approaches utilizing foundation models pretrained on digital pathology datasets, supplemented by precision-recall based metrics as part of an additional quality assessment. Using conditional denoising diffusion models trained on four benchmark datasets, with a two-step training approach, we generated synthetic datasets with systematically varied quality characteristics. We also measured the correlation between the synthetic data quality metrics with downstream nuclei segmentation performance using common metrics including the aggregated Jaccard index (AJI+) and the Dice coefficient. The study results suggest that pathology-specific metrics may provide improved discriminative power. Specifically, the modified Inception Score indicates higher correlation with downstream task performance (r=0.6096 with AJI+, p=0.0122), compared to the original IS (r=0.0708, p=0.7944). Our observations indicate that increasing the variety of generated training data has a higher positive correlation with segmentation model performance than improving the visual fidelity of individual generated images.
• Abstract（参考訳）: 合成病理画像生成は、計算病理学におけるデータ不足に対処するアプローチとして登場したが、現在の評価手法では、医療応用のための合成データ品質を十分に評価できない。 本研究は、既存の評価指標の限界を調査し、ドメイン固有の指標と下流タスク検証を通じて、合成病理像の品質を評価するアプローチについて検討する。 本稿では,Frechet Inception Distance (FID) やInception Score (IS) などの従来の総合的データ評価指標が,画像ネットに制約のある特徴抽出器に依存しているため,病理像に適用した場合に限界があることを示す。 これらの制約に対処するために,デジタル病理データセットに事前訓練された基礎モデルを利用した修正FIDとISアプローチを提案する。 4つのベンチマークデータセットで訓練された条件付き偏差拡散モデルを用いて、2段階のトレーニングアプローチにより、系統的に異なる品質特性を持つ合成データセットを生成した。 また,Jaccard index(AJI+)とDice coefficient(Dice係数)を含む一般的な指標を用いて,合成データ品質指標と下流核セグメンテーション性能の相関を測定した。 研究結果から,病理特異的な指標が差別力を向上させる可能性が示唆された。 具体的には、修正されたインセプションスコアは、元のIS(r=0.0708, p=0.7944)と比較して、下流タスク性能(r=0.6096 with AJI+, p=0.0122)と高い相関を示す。 実験結果から,生成したトレーニングデータの多様性の増大は,個々の画像の視覚的忠実度向上よりも,セグメント化モデルの性能に高い正の相関があることが示唆された。

関連論文リスト

• Benchmarking the Alignment of Data-Quality Metrics, Human Judgment and Land-Cover Segmentation Performance for Earth Observation [4.554894288663752]
  我々は,深部生成モデルにより生成された合成データとともに,地球観測データセットを体系的に評価した。 回転などの摂動のセマンティックス保存は, 人間の認識に影響を与えないまま, 測定スコアを劇的に変化させる。 混合実合成データセットで訓練されたセマンティックセグメンテーションモデルをベンチマークすることにより、ImageNetで事前訓練された特徴空間に根ざした品質指標が地理空間データに対する信頼性の低い指標であることを実証する。
  論文  参考訳（メタデータ） (2026-06-23T20:02:57Z)
• HAPS: Rethinking Image Similarity for Virtual Staining [0.29667378226016866]
  Histology-Aware Perceptual similarity (HAPS) が開発された。 Histology-Aware Perceptual similarity (HAPS) が開発された。
  論文  参考訳（メタデータ） (2026-05-19T18:15:34Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• 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)
• Knowledge-based anomaly detection for identifying network-induced shape artifacts [3.29352273631268]
  本研究は, 合成画像中のネットワーク誘起形状アーチファクトを検出するための, 知識に基づく新しい異常検出手法を提案する。 2つの合成マンモグラフィーデータセットにおいて,ネットワークによって誘導される形状のアーティファクトを同定する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-06T18:19:49Z)
• Improving the Generation and Evaluation of Synthetic Data for Downstream Medical Causal Inference [89.5628648718851]
  因果推論は医療介入の開発と評価に不可欠である。 現実の医療データセットは、規制障壁のためアクセスが難しいことが多い。 本稿では,医学における治療効果分析のための新しい合成データ生成法STEAMを提案する。
  論文  参考訳（メタデータ） (2025-10-21T16:16:00Z)
• Clinically-guided Data Synthesis for Laryngeal Lesion Detection [2.573786844054239]
  そこで本研究では,Lyngeal endoscopic image-annotation pairを生成するために,Latent Diffusion Model(LDM)とControlNetアダプタを併用した新しいアプローチを提案する。 提案手法はCADx/eモデルのトレーニングデータセットの拡張に有効であり,喉頭科学における評価プロセスの強化に有効である。
  論文  参考訳（メタデータ） (2025-08-08T09:55:54Z)
• Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
  本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。 本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
  論文  参考訳（メタデータ） (2025-05-12T01:57:25Z)
• Evaluating the Quality and Diversity of DCGAN-based Generatively Synthesized Diabetic Retinopathy Imagery [0.07499722271664144]
  公的に利用可能な糖尿病網膜症(DR)データセットは不均衡であり、DRを持つ画像の数が限られている。 この不均衡に対処するには、GAN(Geneversarative Adrial Networks)を使用して、データセットを合成画像で拡張する。 合成画像の品質と多様性を評価するために、マルチスケール構造類似度指数(MS-SSIM)、コサイン距離(CD)、Fr't Inception Distance(FID)などの評価指標を用いる。
  論文  参考訳（メタデータ） (2022-08-10T23:50:01Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。