論文の概要: PathoS2VD: From 2D Histopathology to Pseudo Z-Stack Representations
- arxiv url: http://arxiv.org/abs/2611.05974v1
- Date: Wed, 04 Nov 2026 05:07:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.948785
- Title: PathoS2VD: From 2D Histopathology to Pseudo Z-Stack Representations
- Title（参考訳）: PathoS2VD:2次元病理から擬似Zスタック表現へ
- Abstract要約: 病理学的なz-stackデータからz軸形態素の先行を学習する生成フレームワークを提案する。
画像から映像への潜伏拡散モデル(LDM)を訓練し、単一の2次元画像から擬似zスタックを合成する。
実験により、合成された擬似zスタックは、現実的な平面間モルフォロジーの連続性を示すことが示された。
- 参考スコア（独自算出の注目度）: 2.30564822294721
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For decades, diagnostic pathology has relied on thin two-dimensional (2D) tissue sections, despite biological tissues exhibiting inherently three-dimensional (3D) morphological organization. Because a single section captures only one focal plane, important morphological cues along the z-axis are inevitably discarded, limiting tissue representation for both human interpretation and computational analysis. In this work, we propose a generative framework that learns z-axis morphological priors from pathology z-stack data, offering a cost-effective alternative to dedicated volumetric imaging, and transfers this knowledge to conventional single-plane histopathology. Specifically, an image-to-video (I2V) latent diffusion model (LDM) is trained to synthesize a pseudo z-stack from a single 2D image, capturing plausible morphological variations across adjacent focal planes rather than reconstructing physical tissue volumes. To enable deployment on large-scale clinical datasets without native z-stack acquisition, we further introduce a prior-preserving mixture fine-tuning strategy that adapts the model to new domains while retaining the learned z-axis morphological prior. Extensive experiments demonstrate that the synthesized pseudo z-stacks exhibit realistic cross-plane morphological continuity and consistently improve downstream prostate cancer classification compared with conventional 2D representations. Our results suggest that learning transferable z-axis priors from limited z-stack data provides a practical way to enrich routine pathology images with complementary morphological information. Code: https://github.com/QuIIL/PathoS2VD.
- Abstract（参考訳）: 診断病理学は、生体組織が本質的に3次元の組織構造を持っているにもかかわらず、薄い2次元(2次元)組織セクションに依存してきた。
1つのセクションが1つの焦点平面のみをキャプチャするため、z軸に沿った重要な形態学的手がかりは必然的に破棄され、人間の解釈と計算解析の両方の組織表現が制限される。
本研究は,z軸形態学の先行を病理学的zスタックデータから学習し,専用体積像の代替として費用対効果を提供し,従来の単一平面組織学にその知見を伝達する生成フレームワークを提案する。
具体的には、1つの2次元画像から擬似zスタックを合成し、物理的組織体積を再構成するのではなく、隣接する焦点面間で可視な形態変化を捉えるために、画像からビデオまでの潜伏拡散モデル(LDM)を訓練する。
また,z-stackをネイティブに取得することなく,大規模臨床データセットへの展開を可能にするため,学習したz-軸形態を保ちながらモデルを新しいドメインに適応させる,保存済み混合微調整戦略を導入する。
広汎な実験により、合成された擬似zスタックは、現実的な平面横断的な形態的連続性を示し、従来の2D表現と比較して、下流前立腺がんの分類を一貫して改善することが示された。
以上の結果から,z-stackデータから学習可能なz軸前駆体を抽出することで,相補的な形態情報を用いて日常的な病理像を豊かにすることができることが示唆された。
コード:https://github.com/QuIIL/PathoS2VD。
関連論文リスト
- Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。
MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
論文 参考訳（メタデータ） (2026-01-29T13:05:46Z) - 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) - Ensemble of Pathology Foundation Models for MIDOG 2025 Track 2: Atypical Mitosis Classification [0.0]
病理基盤モデル(PFM)を大規模病理組織学データセットで事前訓練した。
我々はPFMを補完するために、最先端の畳み込みニューラルネットワークアーキテクチャであるConvNeXt V2を組み込んだ。
我々は,相補的な形態的洞察を統合するために複数のPFMをアンサンブルし,予備評価フェーズデータセット上でバランスの取れた精度を実現した。
論文 参考訳（メタデータ） (2025-08-29T03:24:57Z) - Neural Image Unfolding: Flattening Sparse Anatomical Structures using Neural Fields [6.5082099033254135]
トモグラフィーは3次元物体の内部構造を明らかにし、診断に不可欠である。
臓器特異的な展開技術は、密集した3次元表面を歪み最小化された2次元表現にマッピングするために存在する。
我々は、関心の解剖学的変換を2次元概要画像に適合させるために、ニューラルネットワークをデプロイする。
論文 参考訳（メタデータ） (2024-11-27T14:58:49Z) - Abnormality-Driven Representation Learning for Radiology Imaging [0.8321462983924758]
病変強調型コントラスト学習(LeCL)は,CTスキャンの異なる部位にわたる2次元軸方向スライスにおける異常により引き起こされる視覚的表現を得るための新しい手法である。
本研究は, 腫瘍病変位置, 肺疾患検出, 患者ステージングの3つの臨床的課題に対するアプローチを, 最先端の4つの基礎モデルと比較した。
論文 参考訳（メタデータ） (2024-11-25T13:53:26Z) - 2D-3D Deformable Image Registration of Histology Slide and Micro-CT with ML-based Initialization [2.1409936129568377]
軟部組織CTの画質は低かったため,組織スライドとmuCTとの相関が困難であった。
本稿では,新しい2D-3Dマルチモーダルデフォルマブル画像登録法を提案する。
論文 参考訳（メタデータ） (2024-10-18T09:51:43Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - SD-LayerNet: Semi-supervised retinal layer segmentation in OCT using
disentangled representation with anatomical priors [4.2663199451998475]
網膜層セグメンテーションタスクに半教師付きパラダイムを導入する。
特に、表面位置回帰をピクセル単位で構造化されたセグメンテーションに変換するために、新しい完全微分可能なアプローチが用いられる。
並行して,ラベル付きデータの限られた量が利用できる場合に,ネットワークトレーニングを改善するための解剖学的事前セットを提案する。
論文 参考訳（メタデータ） (2022-07-01T14:30:59Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。