本文提出了一种基于部分点注释的弱监督分割框架，其中包括两个阶段的半监督策略和深度神经网络的使用，使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。
Jul, 2020
本文提出了一种自监督学习框架，通过对卷积神经网络进行尺度三元组学习和数量排序等两个子任务，隐式地利用细胞核大小和数量的先验知识，从原始数据中挖掘出特征表示，最终在公开数据集上取得了非常好的结果，大大提高了细胞核实例分割的准确性。
本文中，我们介绍了一种吸引医学生和病理学家参与的方法，用于在乳腺癌中标注细胞核的数据集，其中建议的注释可以通过弱算法来改善，该算法可用于训练分割算法，这种方法被称为 DTALE，旨在通过核分割和形态学特征来提高核分类模型的透明度。
Feb, 2021
本论文提出了一种基于 CNN 的方法 NuClick，可以快速收集核、细胞，以及腺体细胞等许多应用于计算机病理学 / 细胞学的计算机处理对象的注释，并提出了一种新的引导信号，使 NuClick 能够分割腺体的边界。在实验证明，NuClick 能够适应不同的目标尺度，对用户输入的不同变化具有强大的鲁棒性，并且提供可靠的标注，对它标准产生的实例分割模型在 LYON19 挑战中获得了第一名。
May, 2020
本文提出了一种只需要部分点标签的弱监督核分割方法，命名为 BoNuS，并证明了其在核分割方面的卓越性能。
Jan, 2024
我们发布了一个大规模的手工标注的细胞核数据集 NuInsSeg，其中包含来自 31 个人和小鼠器官的 665 个图像补丁，超过 30,000 个手动分割的细胞核。此外，我们首次提供了整个数据集的模糊区域掩模，用于表示图像的某些部分即使对于人类专家来说也无法精确和确定地进行手动注释。
Aug, 2023
本研究旨在开发一种自动计数血管壁动脉粥样硬化斑块细胞的方法，并使用弱监督学习方法训练 HoVer-Net 模型来检测荧光图像中的细胞核，并使用熵最小化损失函数来提高该模型在周围未标记区域的预测置信度。
Jul, 2022
本研究提出了一种基于对比的变分模型，用于生成组织病理学图像分割效果，旨在作为弱监督深度学习分割模型的可靠补充监督，并证明其在组织病理学图像分割方面的有效性和效率。
Apr, 2023
该研究提出了一种只需要点级别注释来训练模型实现物体实例分割的方法，其通过建立一个具有两个分支（定位网络和嵌入网络）的网络，使用伪标签和相似嵌入方法来提高分割效果，在特定情况下，可以获得有竞争力的结果，并且是一种实例分割点级别监督的强基准线。
Jun, 2019
通过使用类别激活图 (CAMs) 适应地捕捉与标注点具有相似语义的区域，在深度学习中实现准确的核分割，从而克服了基于点标注方法中产生伪掩模的问题。
Jun, 2024