在千亿像素病理图像上检测癌症转移
本研究设计了一个分层级联的计算机辅助检测系统用于医学影像，包括候选区域的生成和基于卷积神经网络的分类方法，成功提高了三种癌症（骨转移、淋巴结和结直肠息肉）的CAD检测性能，并综合展示了该方法在各种医学影像CAD检测中的应用前景。
May, 2015
本文研究了利用卷积神经网络的计算机诊断技术在乳腺癌病理学中的应用，从组织样本的全幅图像中快速自动检测淋巴结转移的新方法，并且在2016年Camelyon Grand Challenge的数据集上取得了优异的性能，不仅比其他同类方法检测肿瘤定位的速度更快，而且在WSI分类任务上超越了人类表现。
Jul, 2017
本文提出了一种使用卷积神经网络进行乳腺癌转移检测和pN分期分类的稳健方法，用于处理多个吉吉像素病理学图像，实现了0.9203的加权Kappa得分，超过了Camelyon17挑战的前几名方法。
May, 2018
本文提出了一种名为RAZN的神经网络框架，用于医学图像领域的乳腺癌分割任务。RAZN 在 WSIs（大型组织病理学图像）中通过学习策略网络实现了选择性放大，从而减少了过度拟合，并实现了在低推理成本的情况下更高的精度。
Jul, 2018
本研究研发和评估了卷积神经网络（CNN）分析流程来生成乳腺癌全套组织图像（WSI）中的癌症区域和肿瘤浸润淋巴细胞（TIL）的组合图，旨在定量评估Tumor-TIL空间关系，结果比当前最佳方法表现更好，并生成了开放源代码工具和公共数据集。
May, 2019
提出了一种新的方法，可以直接训练卷积神经网络使用任何输入图像大小端到端，通过将现代卷积神经网络中的大多数操作在图像的较小块上执行，演示了使用高达66百万像素的图像的概念证明，这样每个图像可以节省大约50GB的内存
Nov, 2019
该研究使用基于深度学习的模型探讨了在组织分类问题中，通过利用组织之间的结构特征解决数据不足的问题。研究进一步表明，借助少量或无淋巴节点数据，利用原始肿瘤组织或通过Cycle-GANs变换的乳腺癌数据训练的模型可以用于发现其他器官的癌症细胞扩散情况。
May, 2020
通过使用最新的BRACS组织学（H＆E染色）图像数据集中的感兴趣区域（ROI）图像，我们使用不同的预训练深度学习模型，在处理图像时应用了数据增强、上采样和数据集拆分策略，最终达到了96.2％的f1-score，显著提高了乳腺癌肿瘤的早期诊断和鉴别，尤其是不典型和恶性肿瘤，从而改善患者预后并降低患者死亡率。
Sep, 2023