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

提出一种新颖的基于细胞核感知的自监督预训练框架，通过组织病理图像与伪掩膜图像之间的无配对图像转换来捕获细胞核形态和分布信息，并采用条件和随机样式表示来调节生成过程，以实现预训练图像的真实性和多样性；同时，采用实例分割引导策略来捕获实例级信息。实验结果表明，该预训练方法在 Kather 分类、多实例学习和 5 个密集预测任务上优于有监督方法，并且在 8 个半监督任务上比其他自监督方法取得了更好的结果。

Sep, 2023

提出一种名为 CIA-Net 的新型深度神经网络，它具有多级信息聚合模块和双向聚合任务专用功能。通过作用于细胞核和轮廓的特征，可以减少分割中存在的问题，从而增强该网络对未见组织的分割能力，同时在 2018 年 MICCAI 挑战赛中证明了该方法的有效性。

Mar, 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

利用基于多分辨率背景下组织病理全切片图像的潜在上下文线索的自我监督预训练任务，以及新型的师生半监督一致性模式，使用任务无关和任务特定无标签数据来学习强大的监督信号进行无监督表征学习，并在有限标签数据下表现出与其他现有最先进方案相近乃至优越的性能。

Feb, 2021

借助数字病理学和自动扫描保存整张组织学图像的显微系统的出现，越来越多地使用计算机方法来分析获取的图像。在各种组织学图像分析任务中，核实例分割在各种临床和研究应用中起着基础作用。然而，深度学习（DL）方法在处理未见数据集时性能通常下降。本文提出了一种改进基于 DL 的自动分割方法泛化能力的新方法，该方法利用一种最先进的基于 DL 的模型作为基准，并将非确定性训练时间和确定性测试时间染色归一化结合起来。实验结果表明，与基线分割模型相比，提出的方法在基于 Dice 分数、聚合 Jaccard 指数和全景质量得分分割核实现方面分别提供了高达 5.77％、5.36％和 5.27％的性能改进。

Sep, 2023

本文介绍了一种基于扩散的核分割增强方法，通过合成大量标记图像，以提高分割模型的性能。实验结果表明，通过将 10％的真实标记数据集与合成样本相结合，可以实现与完全监督基准相媲美的分割结果。

Oct, 2023

在这篇论文中，我们提出了一种基于元学习的结构引导广义少样本实例分割（SGFSIS）框架，用于有效标注细胞核实例分割。实验证明，SGFSIS 在少于 5％的标注数据情况下，优于其他注释效率学习方法，包括半监督学习和简单迁移学习，并且与完全监督学习相当。

Feb, 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