論文の概要: BigCell: Generating Gigapixel Whole-Slide Images

• arxiv url: http://arxiv.org/abs/2610.14261v1
• Date: Fri, 09 Oct 2026 19:33:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:20:07.86149
• Title: BigCell: Generating Gigapixel Whole-Slide Images
• Title（参考訳）: BigCell:ギガピクセルのフルスライディング画像の生成
• Abstract要約: ホイルスライディング画像(WSIs)は、組織組織のギガピクセルスケールのデジタルスキャンである。 ギガピクセル解像度でコヒーレントな全スライディング組織像を生成するための最初の方法であるBigCellを提案する。
• 参考スコア（独自算出の注目度）: 56.26528071615402
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Whole-slide images (WSIs) are gigapixel-scale digital scans of histopathology tissue and serve as the primary basis for cancer diagnosis. Existing histopathology generative models operate at the patch scale, producing fixed-size tiles of at most 1024$\times$1024 pixels which encompass only a small fraction of the WSI. In contrast, text reports for clinical diagnoses and slide-level diagnostic labels -- the supervision that exists at scale -- operate at the whole-slide level. We present BigCell, the first approach to generate coherent whole-slide histopathology images at native gigapixel resolution. BigCell trains a flow-matching transformer at 2048$\times$2048 pixels on over 120,000 publicly available WSIs spanning multiple organ types. Conditioning on embeddings from pathology foundation models and using an inference-time sliding-window pipeline, BigCell generates coherent images of up to 32,768$\times$32,768 pixels, outperforming prior tile generators on both tile-level and slide-level fidelity metrics. To make gigapixel synthesis practical, we introduce an adaptive scheduling strategy that prioritizes important slide regions, speeding up image generation by over 3\ttimes with minimal quality degradation. Furthermore, we propose the first text-to-image synthesis at 8k resolution by training a separate model that produces dense conditioning grids directly from pathology text reports. We demonstrate that augmenting with synthetic samples improves slide-level few-shot classification performance by up to $18 \%$ over baselines trained on real data.
• Abstract（参考訳）: ホイルスライディング画像(WSI)は、組織組織のギガピクセルスケールのデジタルスキャンであり、がん診断の主要な基盤となっている。 既存の病理組織学生成モデルはパッチスケールで動作し、WSIのごく一部しか含まない1024$\times$1024ピクセルの固定サイズのタイルを生成する。 対照的に、臨床診断のためのテキストレポートとスライドレベルの診断ラベル(大規模に存在する監督)は、スライダーレベル全体で動作する。 ギガピクセル解像度でコヒーレントな全スライディング組織像を生成するための最初の方法であるBigCellを提案する。 BigCellは、2048$\times$2048ピクセルのフローマッチングトランスフォーマーを、複数の臓器タイプにまたがる12000以上の公開WSIで訓練している。 BigCellは、病理基礎モデルからの埋め込みと推論時スライドウインドウパイプラインを使用して、最大32,768$\times$32,768ピクセルのコヒーレントなイメージを生成し、タイルレベルとスライドレベルのフィディリティメトリクスの両方において、事前のタイルジェネレータよりも優れています。 ギガピクセル合成を実用的なものにするために,重要なスライド領域を優先し,画質劣化を最小限に抑えた3時間以上の画像生成を高速化する適応型スケジューリング手法を提案する。 さらに,病的テキストレポートから直接高密度な条件付きグリッドを生成するモデルを訓練し,8k解像度で最初のテキスト・画像合成を提案する。 合成試料による増量により,実データでトレーニングしたベースラインを最大で18ドル(約1万2000円)程度で,スライドレベルの数ショット分類性能が向上することが実証された。

関連論文リスト

• Mixed Magnification Aggregation for Generalizable Region-Level Representations in Computational Pathology [3.5825162237675787]
  そこで本研究では,スライド毎の表現数を削減できる領域レベルの混合エンコーダを提案する。 本手法は混合倍率基礎モデルの画像タイル表現を融合する。 その結果,癌による予測性能の改善が示された。
  論文  参考訳（メタデータ） (2026-02-25T18:23:42Z)
• Context-aware Skin Cancer Epithelial Cell Classification with Scalable Graph Transformers [1.9116784879310027]
  がん患者の全スライディング画像(WSI)は、診断や治療の進行に使える豊富な情報を含んでいる。 フルWSIセルグラフにスケーラブルなグラフ変換器を用いて分類する。
  論文  参考訳（メタデータ） (2026-02-17T18:17:52Z)
• PixCell: A generative foundation model for digital histopathology images [49.00921097924924]
  PixCellは,病理組織学における最初の拡散ベース生成基盤モデルである。 われわれはPanCan-30MでPixCellをトレーニングした。
  論文  参考訳（メタデータ） (2025-06-05T15:14:32Z)
• PATHS: A Hierarchical Transformer for Efficient Whole Slide Image Analysis [9.862551438475666]
  計算病理学におけるスライドレベルタスクにおける階層的弱教師付き表現学習のための新しいトップダウン手法を提案する。 PATHSは、人間の病理医がスライドを検査し、各倍率レベルでパッチを診断に関連する小さなサブセットにフィルタリングする、クロスマグニフィケーションの方法にインスパイアされている。 PATHSをThe Cancer Genome Atlas(TCGA)の5つのデータセットに適用し、スライドレベルの予測タスクにおいて優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-27T11:03:38Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• Scaling Vision Transformers to Gigapixel Images via Hierarchical Self-Supervised Learning [7.7779040222396585]
  階層画像ピラミッドトランス(HIPT)と呼ばれる新しいViTアーキテクチャを導入する。 HIPTは10,678ギガピクセルのWSI、408,218の4096x4096画像、104Mの256x256画像を用いて、33種類のがんに対して事前訓練されている。 我々は,9つのスライドレベルタスクのHIPT表現をベンチマークし,階層的事前学習によるHIPTが,がんのサブタイピングと生存予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-06T14:35:14Z)
• Generalize Ultrasound Image Segmentation via Instant and Plug & Play Style Transfer [65.71330448991166]
  ディープセグメンテーションモデルは、外観が不明な画像に一般化する。 モデルの再トレーニングは、高いレイテンシと複雑なパイプラインにつながる。 未知の外観変化下での堅牢なセグメンテーションのための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-01-11T05:45:30Z)

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。