对于肿瘤切片中有丝分裂图像的识别对患者预后评估非常重要。本研究总结了 2022 年关于肿瘤切片图像有丝分裂领域泛化的挑战任务，参与者的算法策略以及潜在影响因素，并表示在今天的基于深度学习的识别流程中可以实现对不同肿瘤领域的域泛化。与免疫组织化学辅助参考标准相比，所有方法都导致了召回率减小，但在排名中只有轻微变化。

Sep, 2023

本文提出了一种两阶段有深度集成分类模型的有机物卷积神经网络（CNN）检测框架，以便于减轻图像色彩变化对细胞检测的影响，并使用标准化和数据增广来辅助模型训练，旨在自动定位有丝分裂的细胞。该模型在 MIDOG 挑战初步测试集中获得了 0.7550 的 F1 得分。

Aug, 2021

本研究介绍了自动图像分析在乳腺肿瘤组织分析中的应用，通过分析 AMIDA13 数据集和 11 种不同的算法，提出了一种性能可与病理学家间交互的标准相媲美的图像分析算法。

Nov, 2014

癌症组织中，有丝分裂计数与肿瘤增殖、预后不良和药物抵抗有关。我们采用卷积神经网络（CNN）来降低病理学家之间有丝分裂计数的主观性，并结合视觉特征和自然语言，将有丝分裂检测任务转化为图像描述任务和视觉问答任务，以提高检测准确性。通过与基线模型在 9,501 个有丝分裂图像和 11,051 个难以表征的负例图像（非有丝分裂图像）上的比较，证明了我们方法的有效性。

Oct, 2023

本文提出了一种新的可泛化框架 MitDet，其中考虑了数据和特征多样性的平衡，并使用样本平衡和特征多样性模块以及染色增强模块来实现更好的可泛化性能，进而在多个流行的有限注释数据集中实现了优越的性能。

Jul, 2023

本论文使用 FoCasNet 实现了一种基于注意力机制、标准化方法和混合锚定分支的级联神经网络，旨在提高 宫颈癌病理中有关癌细胞核分裂数检测的效率和准确性，并在公共数据集 ICPR 2012 上取得了当前最高的 F1-Score (0.888)。

Jan, 2023

通过使用基于免疫组化的无注释深度学习流程，我们对犬乳腺癌的上皮分割进行了准确估计，并将我们的自动框架与手动注释的体积校正有丝分裂指数进行了比较，结果表明深度学习的流程具有专家级的性能，同时具备时间效率和重复性。

Nov, 2023

通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。

Jul, 2017

我们提出了一个统一的框架，从乳腺组织病理学全幻灯片图像中预测肿瘤增殖评分。该系统提供了完全自动化的解决方案，预测基于分子数据和有丝分裂计数的肿瘤增殖评分。我们的方法在 Tumor Proliferation Assessment Challenge 2016 中获得了三个任务的第一名。

Dec, 2016

通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

Apr, 2024