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

本文提出一种基于深度学习的有限标注序列的有丝分裂检测方法，通过生成完全标记数据集并训练模型，实现了优于其他部分标记序列的性能。

Jul, 2023

本文评估和比较不同算法的性能表现，针对临床用途中的整张切片扫描仪领域差异问题，提出和评估了一种扫描器不可知的有助于病理学家判读分级的异常分裂细胞检测算法。

Apr, 2022

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

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

通过引入附加的解码器头部使用独立的加权损失函数，该研究提出了对数字组织学中核的同时实例分割和分类的多阶段方法，以在高质量实例分割和核分类方面取得了显著的性能改进，并且在 19 种类型的组织上具有广泛的适用性和较低的复杂性。

Aug, 2023

我们开发了一个透明的计算机大规模成像框架，可以区分正常和转移的人类细胞。该方法依赖于荧光显微镜图像，显示正常和转移的单个细胞中肌动蛋白和微丝蛋白丝的空间组织，并结合多重关注通道网络和全局可解释技术。通过深度学习网络和新的多重关注通道架构，我们对网络的可解释性进行了增强，并开发了一种可解释的全局可解释方法，将细胞图像的加权几何平均值与局部 GradCam 分数进行相关联。通过我们的分析结果，我们首次能够更详细、更具生物学意义地理解由正常细胞转变为侵袭和转移细胞伴随的细胞骨架变化。我们还为未来诊断工具开发铺平了一条可能的空间微米级生物标志物的道路（微丝蛋白的空间分布）。

Sep, 2023

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