数字病理学发展迅速，结合人工智能、深度学习和高性能计算等技术的进步，可以提高和加速诊断过程，减少人为错误，并简化报告步骤。本文提出了一个新的大型红细胞（RBC）图像数据集，并提出了一个两阶段的深度学习框架用于 RBC 图像分割和分类，采用 U-Net 模型进行自动 RBC 图像分割，并使用 EfficientNetB0 模型进行 RBC 图像分类，取得了 98.03％的 IoU 和 96.5％的平均分类准确率。与其他知名 CNN 模型进行的实验比较表明，该模型在性能和计算成本之间取得了良好的平衡。

Mar, 2024

本文利用深度卷积神经网络来分类和量化镰状细胞贫血患者的红细胞形态，建立了包含 10,377 个细胞图像的数据集，使用 18 层神经网络架构，以 81% 的准确率鉴别出红细胞的三种不同形态，并使用了 SHAP 和 LIME 来进一步解释模型结果。

May, 2023

通过深度学习方法，我们提出了一种自动化的血细胞分类和计数系统，利用 U-Net 模型进行血细胞分割，并应用 BloodCell-Net 方法对血细胞进行分类，实现了令人印象深刻的性能指标。

Apr, 2024

通过使用 MaxVit，EfficientVit，EfficientNet，EfficientNetV2 和 MobileNetV3 等最新的高效架构，本研究旨在评估这些模型在白细胞分类中的性能，为当前方法提供更高效、可靠的替代方案，并探索创新的深度学习模型在血液分析中的应用。

Jun, 2024

本研究提出一种利用金字塔池化模块的编码 - 解码神经网络模型，通过深度跳跃连接聚合全局上下文并补偿丢失的空间信息，以提供标准化的皮肤黑色素瘤患者计算机辅助分析，并通过 ISIC 2018 数据集的训练和验证，在 Jaccard 系数上取得了 0.837 验证准确性，优于 U-Net，相信这种方法可以用于临床实践。

Jan, 2019

利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了 96.74％的准确率，在外部测试集上达到 99.89％的准确率。

Oct, 2023

通过引入 FixMatch 的自训练流程，以解决白血细胞（WBC）分割的大规模标记数据集缺乏和过时分割方法等挑战，本研究提出了一种半监督学习框架。通过在 DeepLab-V3 架构和 ResNet-50 上实现自我训练方案的一致性，我们在 Zheng 1、Zheng 2 和 LISC 数据集上分别达到 90.69%、87.37% 和 76.49% 的最佳表现。

Jan, 2024

人体血液细胞分类对于疾病识别至关重要，通过使用卷积神经网络和迁移学习技术，本研究提出了一种新的基于卷积神经网络的框架，成功实现了对血液细胞的准确分类，并在所采用的数据集上达到了 99.91% 的准确率。

Aug, 2023

本文介绍了一种针对不同细胞域之间数据分布不平衡和因噪声、神经元元素变化等因素引起的域移动问题的深度卷积神经网络。该方法在精确识别细胞分类方面表现出色，为实验室和诊所的应用提供了坚实的基础。

Mar, 2023

本研究基于深度卷积神经网络开发了计算方法，用于乳腺癌组织病理图像分类，包括四类和两类（用于检测癌变）分类任务，在高灵敏度操作点上，我们报告了 93.8% 的准确性，97.3% 的 AUC 和 96.5/88.0% 的敏感性 / 特异性，超过了其他常见的自动组织病理学图像分类方法。

Feb, 2018