本文使用基于几何的方法，自动检测和分离接触和重叠染色体，并在一个含有 62 个接触部分重叠染色体的数据库中取得了 91.9% 的成功率。
Dec, 2011
提出了一种针对可靠染色体分类训练的监督对比学习策略，通过在潜在空间中提取细粒度的染色体嵌入，扩大了类间边界和减少了类内差异，提高了预测染色体类型的准确性，可以显著提升深度网络的泛化性能。
Dec, 2023
针对生物医学图像中的错误操纵问题，我们提出一种多尺度重叠检测模型，该模型能够有效地检测生物医学图像中的重复区域，并显著提高了检测效率。
Jul, 2022
本文提出了一种卷积神经网络，将 DNA 序列的图像表征作为输入，并预测染色质结构的关键决定因素，能够检测 DNA 序列中远程元素之间的相互作用，实验证明该方法在预测准确性和训练时间方面优于多种现有方法。
Jun, 2018
通过使用卷积神经网络将核数据分离和分类，进而对数字病理学的工作流程进行优化。
Dec, 2018
本文提出了一种用于解决实例分割问题的新方法，即通过对象分层实现，通过将重叠的对象分组到不同的层中，可以轻松分离实例并获得竞争性的结果。
Oct, 2022
本研究提出了一种使用合成 3D 体积进行深度学习核分割的方法，通过空间约束的对抗网络生成一组合成 3D 体积和相应的地面真实数据集，对各种数据集成功地完成了核分割任务。
Jan, 2018
本文提出了两个计算机算法，分别用于分割细胞核和分类组织切片图像。采用多尺度深度残差聚合网络实现核物质的准确分割，采用深度学习方法与随机森林回归模型相结合进行图像分类。该算法在 MICCAI 2017 数字病理学挑战赛中取得了较高的精度得分。
Oct, 2018
细分、测量和分析细胞图像的关键步骤在于对象分割。深度学习基于的工具在该领域中逐渐取得了主导地位，以 Cellpose 为代表的专业模型在准确性和用户友好性方面不断提升，多模态细胞分割挑战推动了准确性、效率和可用性方面的创新。文档、共享和评估标准的日益重视加快了朝着真正通用方法的目标迈进。
Nov, 2023
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