本研究提出了一种基于完全卷积神经网络的方法，利用反卷积和空间上的金字塔池化，实现对结肠镜病理学图像中的腺体分割；此外，还使用随机变换来生成不确定性图以解决了高不确定性预测的问题，并且通过实验验证了模型性能优于现有方法。

Jun, 2018

本文提出了一种基于深度学习的多任务学习框架下的高效深度轮廓感知网络（DCAN）用于对组织学图像中的腺体进行精确分割，该方法不仅能输出腺体的准确概率图，还可以同时描述清晰的轮廓以分离聚集的物体。该方法在 2015 年 MICCAI 腺体分割挑战赛中胜出，超过了其他 13 个竞争对手的方法。

Apr, 2016

提出了一种在线易学例挖掘（OEEM）方法，该方法鼓励网络专注于可信的监督信号而非噪声信号，从而缓解了伪遮罩中不可避免的误报预测的影响，针对腺体数据集的特点，设计了强大的腺体分割框架，其结果在 mIoU 方面超过了许多全监督方法和弱监督方法使腺体分割方法性能提高了 4.4% 和 6.04%。

Jun, 2022

通过提出的 DEA 模型，我们可以实现对病理图像上的腺体进行准确自动的分割，帮助病理学家诊断结直肠腺癌的恶性程度。实验证明，我们的方法在两个公共数据集 GlaS 和 CRAG 上的表现优于其他腺体分割方法。

Jan, 2024

设计深度学习算法用于腺体分割对于自动癌症诊断和预后至关重要，然而昂贵的注释成本阻碍了该技术的发展和应用。本文首次尝试探索用于无监督腺体分割的深度学习方法，无需手动注释。为了克服语义分割方法在腺体图像上遇到的挑战，我们引入了关于腺体形态的经验性线索作为额外知识来指导分割过程。我们提出了一种新颖的基于形态学启发的选择性语义分组方法，通过该方法，最终分割网络能够学习关于腺体的综合知识，并产生清晰完整的预测。在 GlaS 和 CRAG 数据集上进行实验，我们的方法在 mIOU 上超过次优方法 10.56%。

Jul, 2023

本文提出了一个深度学习管道，以多个实例学习和注意力机制对组织检查图像进行分类，并成功实现了对鼻咽癌的 LMP1 状态预测。通过可视化注意力分数，该方法还允许对模型的解释性进行检查。

Sep, 2022

我们提出了一种基于卷积神经网络的多类组织分割模型，通过像素对齐的非线性融合实现了局部和全局视野，能够准确检测各种组织类别，并且对于多种染料和扫描仪具有稳定性。

Jun, 2024

利用 cGAN 训练的条件生成模型，基于合成和真实数据，实现了针对不同器官、地点、患者和疾病状态的细胞核分割，优于传统方法。

Sep, 2018

本文提出了一种基于深度学习的端到端框架，用于自动分割染有尼氏小体的脑组织组织切片中的单个神经元细胞，并测试在细胞实例分割方面的性能表现优于其他深度学习方法。

Jun, 2023

本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

Jun, 2019