本研究提供了一种用于标准化组织学染色的完全自动化、端到端基于学习的设置，该设置考虑了组织的纹理上下文，并通过结合来自长短时记忆单元的门控元素的批量归一化框架来扩展特征感知归一化。为了实现优秀的标准化结果并确保颜色和纹理的一致表示，作者将预训练的深度神经网络作为特征提取器来引导像素处理管道，并使用颜色直方图偏差、结构相似性和颜色体积等指标对不同方法进行评估。

Aug, 2017

本文研究组比较了针对组织切片染色变异的两种技术：染色色彩扩增和染色色彩规范化，并在异质性数据集上量化了它们对卷积神经网络分类性能的影响，并提出了一种使用神经网络进行无监督染色色彩规范化的新方法。

Feb, 2019

本文介绍了一种基于上下文感知的神经网络，可以用于对数字组织病理学图像进行更高分辨率的分析，并在结肠癌分级和乳腺癌分类方面获得了比传统方法更好的结果。

Jul, 2019

使用细胞图卷积神经网络（CGC-Net）将大肠癌组织学图像转化为图形，并采用Adaptive GraphSage技术融合不同层级的特征，以有效地对普通基于补丁的方法及上下文相关的基于补丁的技术进行超越，描述新型的 CRC 分级方法。

Sep, 2019

使用U-Net多任务模型结合颜色和统计学增&测试时增强，来实现对组织分割和肿瘤检测的自动化，以期解决由于公共数据集稀缺和图像变异导致的困难。在CRC检测（SemiCOL）2023挑战上，该方法在被部分标注的数据集上取得了.8655的Dice分数（Arm 1）和.8515的Dice分数（Arm 2）用于组织分割，并在肿瘤检测方面分别达到了.9725（Arm 1）和.9750（Arm 2）的AUROC值。

Apr, 2023

本研究提出了基于参数可变的深度学习网络ParamNet，用于数字病理学图像的染色归一化，该网络能够提高诊断系统的性能和分类器的泛化能力，同时保持计算效率和图像质量。

May, 2023

利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了96.74％的准确率，在外部测试集上达到99.89％的准确率。

Oct, 2023

我们提出了一种新颖的细胞至块状图卷积网络(C2P-GCN)，该方法通过双阶段图形构建，将整个WSI的结构数据整合到单个图中，有效地在腺癌病理图像中收集局部结构细节，并在所有块状图像之间建立有意义的连接。C2P-GCN通过将整个WSI的结构数据整合到单个图中，使我们的模型能够使用比最新的结直肠癌模型更少的训练数据，实验证明了我们方法的有效性。

Mar, 2024

传统的染色标准化方法通常依赖于选择单个代表性参考图像，而这可能不能充分考虑在实际情况下收集的数据集的各种染色模式。本研究引入了一种新颖的方法，利用多个参考图像增强对染色变异的鲁棒性。我们的方法无需参数，并可以在现有的计算病理学流程中采用而无需重大更改。我们通过在结肠癌图像上使用深度学习流程进行自动核分割的实验来评估我们方法的有效性。结果表明，通过利用多个参考图像，可以在广义到外部数据时获得更好的结果，而这些数据的染色与训练集有很大的差异。

Jun, 2024

本研究探讨了在组织病理图像分析中广泛应用的NCT-CRC-HE-100K结肠癌数据集，揭示了由于不当的颜色标准化和JPEG压缩伪影等问题，数据集结果可能受到特定偏差的影响。通过实验表明，简单模型的准确率可超过50%，而基础高效网络模型甚至能达到97.7%的准确率，显著超越了以往的方法，突显了数据集的潜在问题和研究的风险。

Sep, 2024