利用人工智能的数字病理学可以自动分析组织病理切片，自动评估可以提高诊断效率并帮助找出形态特征与临床结果之间的关联。本研究旨在开发一个用于乳腺癌切片上上皮细胞分割的人工智能模型，利用卷积神经网络进行训练，并通过数据增强提高模型的鲁棒性。

Nov, 2023

本文提出了一种基于免疫组织化学和深度学习的数字化前列腺切除切片上细胞分割的新方法，通过该方法可以较为精确地区分上皮组织和其他组织，并对其进行细胞级分割，从而实现对前列腺癌的自动检测和分级。

Aug, 2018

本文提出了一种使用生成对抗网络（GAN）进行电子显微镜（EM）图像分割的方法，分为两个阶段：第一阶段是合成标签 “图像”，第二阶段是 EM 图像合成，从而实现标签 - 图像配对的完整模型，该方法可以通过不同的评估手段（如形状特征和全局统计量、分割准确性、用户研究）获得准确且逼真的合成 EM 图像。

Mar, 2020

本研究使用神经网络将细胞形状表示为符号距离函数的水平集，从而生成具有高相似度的 3d + 时间细胞形状，并使用图像到图像模型合成了相应的显微镜图像。

Apr, 2023

本研究利用图扩散模型生成具有生物学意义的细胞图，并且展示了在肿瘤领域中评估癌症发展的生物标志物之一 —— 细胞三级淋巴结结构的分布。此外，我们还演示了学习得到的生成模型在细胞三级淋巴结结构分类任务中进行数据增强的实用性。据我们所知，这是首次利用图扩散模型生成有意义的生物细胞结构的工作。

Oct, 2023

通过利用植物细胞的紧密三维结构创建三维图，本研究提出了一种新颖的基于学习的方法来进行精确的细胞追踪，同时提出了细胞分裂检测和有效的三维注册算法，改进了当前最先进的算法，并在基准数据集上展示了算法的效能。

Sep, 2023

本文提出了一种基于卷积神经网络的自动化测试 icular 组织组织病理图像处理方法，使用深度学习技术实现对睾丸上皮层的自动分割，并取得了较好的结果。

Jan, 2023

研究探讨了基于组织病理学的 H&E 染色全幻灯片图像中细胞的检测和分类，发现基于概率映射的软分割标签能够取得最佳模型性能，结合细胞组织相互作用和测试时增强方法，SoftCTM 在 OCELOT 数据集上达到了 0.7172 的平均 F1-Score，成为 OCELOT 2023 挑战赛中排名第三的模型。

Dec, 2023

通过细胞自动机模拟肿瘤的发展过程，我们建立了一套通用规则，将肿瘤状态整合到原始计算机断层扫描图像中，生成了不同器官的合成肿瘤。经过临床读者研究和技术性评估，证明了合成肿瘤的真实性和早期癌症检测的潜力。

Mar, 2024

通过模仿生物进化的方式，本研究引入了一种名为 Generative Cellular Automata (GeCA) 的新模型系列，作为一种有效的补充工具，用于视网膜疾病分类的两种成像模式：Fundus 和光学相干断层扫描（OCT）。在 OCT 成像的背景下，GeCA 显著提升了 11 种不同眼科疾病的性能，相较于传统基线模型，平均 F1 分数提高了 12%。在相似的参数限制下，GeCA 优于融合 UNet 或基于 Transformer 的去噪模型的扩散方法。

Jul, 2024