論文の概要: Semi-Supervised Virtual Staining via Morphology Preservation and Histopathological Realism Constraints

• arxiv url: http://arxiv.org/abs/2609.00984v1
• Date: Tue, 01 Sep 2026 09:41:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.522896
• Title: Semi-Supervised Virtual Staining via Morphology Preservation and Histopathological Realism Constraints
• Title（参考訳）: 形態保存と病理リアリズム制約による半監督仮想染色
• Authors: Baoshun Wang, Weiping Lin, Linwu Wang, Yihuang Hu, Baptiste Magnier, Liansheng Wang,
• Abstract要約: 本稿では,限られたペアデータと豊富な未ペア画像の両方を利用する,安定した半教師付き仮想染色フレームワークを提案する。 ヘッセン由来の形態保存は、各ソース画像から構造的手がかりを抽出し、生成した出力を拘束して組織形態を保持する。 Ki67とHER2のH&E-to-IHC変換の実験は、FFPE-to-H&E変換と同様に、画像品質が一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 15.116863505596335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Virtual staining aims to computationally generate target-stained histopathological images while reducing the cost and time associated with conventional staining procedures. However, existing methods rely predominantly on strictly paired and accurately registered training data, which are difficult and expensive to obtain in routine practice. To reduce this dependence, we propose a stable semi-supervised virtual staining framework that jointly exploits both limited paired data and abundant unpaired source images. Directly incorporating unpaired images is challenging because their generated results lack corresponding targets for supervision, potentially leading to unrealistic staining, morphological degradation, or even training collapse. To obtain reliable supervision from these images, Hessian-derived morphology preservation extracts structural cues from each source image and constrains the generated output to retain tissue morphology. Histopathological realism constraints further guide the output toward plausible target-stain characteristics, preventing the source-derived structural supervision from degenerating into contour enhancement or simple color transformation. Together, the two components suppress structural and appearance drift, stabilize semi-supervised stain translation, and promote the preservation of diagnostically relevant information. Extensive experiments on H&E-to-IHC translation for Ki67 and HER2, as well as FFPE-to-H&E translation, demonstrate consistent improvements in image quality, morphology preservation, robustness, and downstream diagnostic performance. Code will be available.
• Abstract（参考訳）: 仮想染色は,従来の染色法に係わるコストと時間を低減しつつ,対象とする組織像を計算的に生成することを目的としている。 しかし、既存の手法は厳密なペアリングと正確に登録されたトレーニングデータに大きく依存しており、日常的な実践では入手が困難で費用がかかる。 この依存を減らすために,限られたペアデータと豊富なアンペアソース画像の両方を併用した,安定した半教師付き仮想染色フレームワークを提案する。 非ペア画像を直接組み込むことは、彼らの生成した結果が監督対象を欠いているため、非現実的な染色、形態的劣化、トレーニング崩壊に至る可能性があるため、難しい。 これらの画像から信頼性の高い監視を得るために、ヘッセン由来の形態保存は、各ソース画像から構造的手がかりを抽出し、生成した出力を制約して組織形態を保持する。 組織学的リアリズムの制約は、出力を可塑性目標安定特性へ誘導し、ソース由来の構造的監督が輪郭拡大や単純な色変換に縮退するのを防ぐ。 これら2つのコンポーネントは、構造的および外観的ドリフトを抑制し、半教師付き染色翻訳を安定化させ、診断関連情報の保存を促進する。 Ki67とHER2のH&E-to-IHC翻訳およびFFPE-to-H&E翻訳に関する広範な実験により、画像品質、形態保存、堅牢性、下流診断性能が一貫した改善を示した。 コードは利用可能です。

関連論文リスト

• HistDiT: A Structure-Aware Latent Conditional Diffusion Model for High-Fidelity Virtual Staining in Histopathology [3.5196641463125]
  HistDiTアーキテクチャは、仮想組織学的染色における視覚的忠実性の新たなベンチマークを確立する。 本モデルでは,厳密な定量的および定性的評価により,既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-09T14:39:37Z)
• 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)
• 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)
• Progressive Translation of H&E to IHC with Enhanced Structural Fidelity [8.881744407746845]
  ヘマトキシリン・エオシン(H&E)染色と比較して、勾配化学(IHC)は高分解能タンパク質の局在を提供する。 診断価値はあるものの、IHCは高価で労働集約的な技術である。 カラーおよびセル境界生成ロジックを取り入れた,プログレッシブな構造を踏襲した新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-11-03T16:06:46Z)
• SCFANet: Style Distribution Constraint Feature Alignment Network For Pathological Staining Translation [0.11999555634662631]
  SCFANet(Style Distribution Constraint Feature Alignment Network) SCFANetはStyle Distribution Constrainer(SDC)とFeature Alignment Learning(FAL)の2つの革新的なモジュールを組み込んでいる。 我々のSCFANetモデルは既存の手法より優れており、H&E画像の正確なIHC画像への変換を実現している。
  論文  参考訳（メタデータ） (2025-04-01T07:29:53Z)
• A Value Mapping Virtual Staining Framework for Large-scale Histological Imaging [36.95712533471744]
  各種条件に適応可能な汎用仮想染色フレームワークを提案する。 そこで本研究では,異なる病態間の仮想色付けの精度を確保するために,値マッピング制約に基づく損失関数を提案する。
  論文  参考訳（メタデータ） (2025-01-07T07:45:21Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。