癌症组织中，有丝分裂计数与肿瘤增殖、预后不良和药物抵抗有关。我们采用卷积神经网络（CNN）来降低病理学家之间有丝分裂计数的主观性，并结合视觉特征和自然语言，将有丝分裂检测任务转化为图像描述任务和视觉问答任务，以提高检测准确性。通过与基线模型在 9,501 个有丝分裂图像和 11,051 个难以表征的负例图像（非有丝分裂图像）上的比较，证明了我们方法的有效性。

Oct, 2023

本文评估和比较不同算法的性能表现，针对临床用途中的整张切片扫描仪领域差异问题，提出和评估了一种扫描器不可知的有助于病理学家判读分级的异常分裂细胞检测算法。

Apr, 2022

我们提出了一个统一的框架，从乳腺组织病理学全幻灯片图像中预测肿瘤增殖评分。该系统提供了完全自动化的解决方案，预测基于分子数据和有丝分裂计数的肿瘤增殖评分。我们的方法在 Tumor Proliferation Assessment Challenge 2016 中获得了三个任务的第一名。

Dec, 2016

本文提出了一种两阶段有深度集成分类模型的有机物卷积神经网络（CNN）检测框架，以便于减轻图像色彩变化对细胞检测的影响，并使用标准化和数据增广来辅助模型训练，旨在自动定位有丝分裂的细胞。该模型在 MIDOG 挑战初步测试集中获得了 0.7550 的 F1 得分。

Aug, 2021

本论文使用 FoCasNet 实现了一种基于注意力机制、标准化方法和混合锚定分支的级联神经网络，旨在提高 宫颈癌病理中有关癌细胞核分裂数检测的效率和准确性，并在公共数据集 ICPR 2012 上取得了当前最高的 F1-Score (0.888)。

Jan, 2023

本文介绍了一个用于评估肿瘤增殖率的挑战赛，其中使用了全切片图像 (WSIs) 以及基于基因表达的 PAM50 增殖得分预测。最佳表现的自动肿瘤增殖评估方法在第一个任务中取得了 0.567 的 kappa 得分，在第二个任务中与基础实况具有 0.617 的斯皮尔曼相关系数。

Jul, 2018

对于肿瘤切片中有丝分裂图像的识别对患者预后评估非常重要。本研究总结了 2022 年关于肿瘤切片图像有丝分裂领域泛化的挑战任务，参与者的算法策略以及潜在影响因素，并表示在今天的基于深度学习的识别流程中可以实现对不同肿瘤领域的域泛化。与免疫组织化学辅助参考标准相比，所有方法都导致了召回率减小，但在排名中只有轻微变化。

Sep, 2023

通过使用基于免疫组化的无注释深度学习流程，我们对犬乳腺癌的上皮分割进行了准确估计，并将我们的自动框架与手动注释的体积校正有丝分裂指数进行了比较，结果表明深度学习的流程具有专家级的性能，同时具备时间效率和重复性。

Nov, 2023

利用概率扩散模型，根据有关有丝分裂的标签条件合成细胞核斑块，进而生成一系列模拟图像，用于识别与有丝分裂相关的不同图像特征，如细胞质颗粒度、核密度、核不规则性以及核与细胞体之间的高对比度，提供病理学家解释和传达识别有丝分裂特点的新工具。

Oct, 2023

本文提出一种基于深度学习的有限标注序列的有丝分裂检测方法，通过生成完全标记数据集并训练模型，实现了优于其他部分标记序列的性能。

Jul, 2023