本文介绍了用于理解微结构中细胞实例级语义和运动的全新数据集，提供了 105 个密集标注的高分辨率亮场显微镜图像和 19k 个实例遮罩，以及 261 个精选的视频剪辑，包括 1293 个高分辨率显微镜图像，便于对细胞运动和形态进行无监督理解。该数据集包括细胞和微结构的实例注释，并通过引入标准化的评估策略，提供了一个统一的比较平台。

Aug, 2023

通过引入少样本领域自适应方法，仅需要标注新数据中一到五个细胞即可快速调整模型以保持高准确性，在处理具有细长且非凸形态的细菌数据集时，取得了显著的准确度提升。

Feb, 2024

多模态显微图像的细胞分割仍然是一个挑战，为了解决这个问题，我们首先开发了一个基于细胞的低级图像特征的自动分类流程，然后训练了一个基于类别标签的分类模型。然后，我们针对每个类别训练了一个单独的分割模型，使用对应类别中的图像。此外，我们还部署了两种类型的分割模型，分别用于分割具有圆形和不规则形状的细胞。此外，为了增强分割模型的效率，我们采用了一种高效且强大的主干模型。在 NeurIPS 2022 Cell Segmentation Challenge 的调优集上评估，我们的方法达到了 F1 得分 0.8795，所有情况的运行时间都在时间容限范围内。

Oct, 2023

我们发布了一个大规模的手工标注的细胞核数据集 NuInsSeg，其中包含来自 31 个人和小鼠器官的 665 个图像补丁，超过 30,000 个手动分割的细胞核。此外，我们首次提供了整个数据集的模糊区域掩模，用于表示图像的某些部分即使对于人类专家来说也无法精确和确定地进行手动注释。

Aug, 2023

该研究通过实例分割神经系统的体积光学显微图像，为神经科学的突破性研究提供便利，能够在细胞分辨率上促进神经回路的功能和形态分析。为了解决多神经元光学显微数据的现有挑战，研究团队发布了第一个公开可用的具有像素级注释的多神经元光学显微数据集，并定义了一套实例分割评估指标，以推动机器学习方法在捕捉长程数据依赖性方面的方法研究，并促进基础神经科学的科学发现。

Mar, 2024

用于多模态高分辨率显微镜图像的弱监督细胞分割是一个基本任务。本文提出了 MEDIAR，这是一个周全的细胞实例分割流程，将数据中心和模型中心方法相结合，实现了在多模态下的高效分割。

Dec, 2022

细胞分割是显微图像中定量单细胞分析的关键步骤，现有的细胞分割方法通常针对特定模态或需要手动干预以指定不同实验设置中的超参数。本研究提出了一个多模态细胞分割基准，包括超过 1500 个带标签图像，来自 50 多个不同的生物实验。前几名的参与者开发了一种基于 Transformer 的深度学习算法，不仅超越了现有方法，还可以应用于不同显微成像平台和组织类型的各种显微图像，无需手动参数调整。这个基准和改进的算法为显微成像中更准确和多功能的细胞分析提供了有希望的途径。

Aug, 2023

建议使用无人值守的多阶段分割方法进行细胞核的自动、快速、无监督分割，并利用该方法的定量相位信息来介绍新的细胞质和细胞核特征，以提高细胞学诊断的可行性和可解释性。

Nov, 2023

计算显微镜学，硬件和算法的联合设计，对于制造成本更低、性能更强大、收集新类型信息的成像系统有很大潜力。通过引入伯克利单个细胞计算显微学（BSCCM）数据集，包含超过 12,000,000 张 400,000 个单个白细胞图像，采用 LED 阵列显微镜多种照明模式捕获图像以及标记不同细胞类型的表面蛋白质的荧光测量，希望该数据集能为计算显微学和具有实际生物医学应用的计算机视觉算法的开发与测试提供宝贵资源。

Feb, 2024

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