本文提出了一种较少注释的、基于点的核分割方法，引入了一种叫做 PseudoEdgeNet 的辅助网络，可以引导分割网络识别核边缘，提高整个系统的性能。实验表明，在两个公共数据集上，该方法始终优于其他弱监督方法。

Jun, 2019

本文提出了一种称为循环学习的新型图像水平弱监督方法，应用于核实例分割，通过将前端分类和后端半监督实例分割任务相结合，循环共享知识，从图像级标签中提取潜在信息，实现更好的优化，其在三个数据集上的实验均表现出优秀的广泛性，并取得了与完全监督方法可比较的性能。

Jun, 2023

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

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。

Jul, 2020

本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估，显示出一定的潜力.

Apr, 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

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

提出了一种基于自监督学习的方法，其中自激活模块（PSM）从输入图像生成自激活映射，避免标注成本，为后续任务生成伪掩模。该方法采用核的检测网络和核的分割网络，通过自监督学习和语义引导生成来实现最终分割，并在两个公开病理数据集上得到有效性验证。与其他全监督和弱监督方法相比，该方法可以在不进行任何手动注释的情况下获得竞争性能。

Oct, 2022

使用领域自适应的弱监督核分割框架，通过交叉任务相互作用策略克服伪标签生成的挑战，并通过弱注释数据训练辅助检测任务，设计一种一致特征约束模块来提高领域自适应的效率。此外，我们还开发了伪标签优化和交互式训练方法来提升领域转移能力，实验证明我们的方法在六个数据集上具有优越性能。

Apr, 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