論文の概要: Patch-to-Global: Random Patch Diffusion for Globally Consistent Megapixel Artifact Inpainting in Whole Slide Images
- arxiv url: http://arxiv.org/abs/2609.24116v1
- Date: Mon, 21 Sep 2026 05:12:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.080348
- Title: Patch-to-Global: Random Patch Diffusion for Globally Consistent Megapixel Artifact Inpainting in Whole Slide Images
- Title（参考訳）: 全スライド画像における大域的に連続したメガピクセルアーチファクトのパッチ・トゥ・グロバル:ランダム・パッチ拡散
- Abstract要約: RestorePathは、グローバルに一貫したメガピクセルスケールのインペイントのためのフレームワークである。
組織像の診断構造を再構築し、誤った高信頼予測と低いエラー率を防止する。
本モデルは,病理基盤モデル (PFM) を組み込んだ潜在拡散モデル (LDM) を用いている。
- 参考スコア（独自算出の注目度）: 23.72059625243429
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although deep learning has advanced Whole Slide Image (WSI) Analysis, tissue artifacts like bubbles and folds often cause silent failures by concealing essential morphology. Current pathology image restoration methods are mostly restricted to small patches, struggling to maintain global structural coherence at a megapixel scale. We introduce RestorePath, a framework for globally consistent megapixel scale inpainting that reconstructs diagnostic structures in histological image to prevent incorrect high-confidence predictions and lower error rates. Our model utilizes a Latent Diffusion Model (LDM) conditioned on Pathology Foundation Model (PFM) embeddings, integrating Large Kernel Attention (LKA) to manage long-range dependencies during random patch diffusion. Enhanced by Distance-Weighted Interpolation (DWI) and an Adaptive Guidance Scale (AGS), RestorePath ensures structural consistency and fidelity by modulating information from surrounding patches. Evaluations across TCGA-BRCA, BACH, and Camelyon16 datasets for images ranging from 512 to 4608 pixels demonstrate state-of-the-art performance in maintaining histological consistency. RestorePath significantly improves downstream Computational Pathology (CP) tasks, outperforming both raw artifact images and the conventional Detect-and-Discard (D&D) approach. The code is available at https://github.com/PathfinderLab/RestorePath
- Abstract（参考訳）: 深層学習はWSI(Whole Slide Image)解析を進歩させたが、泡や折りたたみといった組織人工物は、重要な形態を隠蔽することでサイレント障害を引き起こすことが多い。
現在の病理画像復元法は主に小さなパッチに制限されており、メガピクセルスケールでのグローバルな構造的コヒーレンスを維持するのに苦労している。
RestorePathは,組織像の診断構造を再構築し,不正確な高信頼予測や誤り率の低下を防ぐ,一貫したメガピクセルスケールインペイントのためのフレームワークである。
本モデルでは,病理基盤モデル (PFM) の埋め込みを前提とした遅延拡散モデル (LDM) を用いて, ランダムパッチ拡散時の長距離依存性を管理するためにLKA (Large Kernel Attention) を統合する。
Distance-Weighted Interpolation (DWI)とAdaptive Guidance Scale (AGS)によって強化されたRestorePathは、周囲のパッチからの情報を調整することで、構造的な一貫性と忠実性を保証する。
TCGA-BRCA、BACH、Camelyon16データセットの512から4608ピクセルにわたる画像に対する評価は、組織学的一貫性を維持する上での最先端のパフォーマンスを示している。
RestorePathは、下流の計算病理(CP)タスクを大幅に改善し、生のアーティファクトイメージと従来のD&Dアプローチの両方を上回ります。
コードはhttps://github.com/PathfinderLab/RestorePathで入手できる。
関連論文リスト
- One Model to Magnify Them All: Efficient Scale-Invariant Histopathology via Conditional Normalization and Continuous Magnification Training [2.519619892651923]
ディープラーニングモデルは、スケールの変動に敏感である。
本研究では,小画素サイズからアフィンパラメータを生成する機構である条件正規化(CLN)を提案する。
PANDA前立腺癌データセットでは、我々のアプローチは独立に訓練された単磁化モデルと一致し、評価された倍率ごとに上位3人のパフォーマーの中でランク付けされる。
論文 参考訳（メタデータ） (2026-08-10T10:28:43Z) - CPR: Chained Perceptual Refinement for Coarse-to-Fine Medical Image Classification [22.00070089093165]
CPR(Chained Perceptual Refinement)は、医用画像解析を、局所的な意思決定プロセスのシーケンシャルなグローバル化として定式化する。
CPRは、アートベースラインの固定解像度とマルチスケール状態の両方を一貫して上回る。
また、GFLOPを19.6倍の精度で削減する。
論文 参考訳（メタデータ） (2026-07-01T07:31:56Z) - Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning [52.41928980786654]
スライド画像全体に対してトークン効率のよいスケール空間連続推論を可能にするPathCTMを提案する。
PathCTMは診断推論を動的逐次情報追跡として定式化する。
必要な画像パッチの数を95.95%削減し、推論時間を約95.62%短縮し、AUCを劣化せずに維持する。
論文 参考訳（メタデータ） (2026-05-19T07:46:44Z) - 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) - 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) - Pathology Image Compression with Pre-trained Autoencoders [52.208181380986524]
デジタル病理学における全スライド画像は、記憶、伝達、計算効率の面で大きな課題をもたらす。
JPEGのような標準的な圧縮手法はファイルサイズを小さくするが、下流のタスクに不可欠な微細な表現型の詳細を保存できない。
本研究では,遅延拡散モデル用に設計されたオートエンコーダ(AE)を,病理画像の効率的な学習圧縮フレームワークとして再利用する。
論文 参考訳（メタデータ） (2025-03-14T17:01:17Z) - PatchScaler: An Efficient Patch-Independent Diffusion Model for Image Super-Resolution [44.345740602726345]
PatchScalerは、単一画像超解像のための効率的なパッチ非依存拡散パイプラインである。
テクスチャは、共通参照テクスチャメモリから、ターゲットパッチのテクスチャ先行を適応的に検索する。
本コードでは,定量評価と定性評価の両方において優れた性能を示し,推論を著しく高速化する。
論文 参考訳（メタデータ） (2024-05-27T13:31:46Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Memory-efficient GAN-based Domain Translation of High Resolution 3D
Medical Images [0.15092198588928965]
GAN(Generative Adversarial Network)は大規模な3次元医療画像にはほとんど適用されない。
本研究は、未ペアドメイン翻訳を確立するためのマルチスケールパッチベースのGANアプローチを提案する。
ドメイン翻訳シナリオの評価は155x240x240の脳MRIと最大512x512x512の胸部CTで行う。
論文 参考訳（メタデータ） (2020-10-06T08:43:27Z)
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。