本研究は、H&E画像からmIHC画像への変換を行うHEMITデータセットを紹介している。HEMITデータセットは、同一の組織切片からH&E画像とmIHC画像を取得しており、細胞レベルで整列している点が特徴的である。これにより、より正確な教師あり学習が可能となる。
提案手法は、CNNとSwinTransformerを組み合わせた双方向ジェネレーターアーキテクチャを採用している。CNNブランチは空間的な詳細を抽出し、Swinブランチはグローバルな情報を捉えることで、高品質な変換結果を生成している。
実験の結果、提案手法はSSIM、Pearson相関係数、PSNRの各指標において最高スコアを記録し、既存手法を上回る性能を示した。さらに、QuPathを用いた下流分析により、提案手法の変換画像の高い忠実度が確認された。
本研究は、H&E画像からmIHC画像への変換に関する新しいベンチマークを提示し、今後の研究の発展につながることが期待される。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Chang Bian,B... at arxiv.org 03-28-2024
https://arxiv.org/pdf/2403.18501.pdfDeeper Inquiries