我们提出了一个两步骤混合方法，包括深度学习和特征提取的初始对齐算法以及基于强度的非刚性配准。该方法不需要对特定数据集进行微调，可直接用于任何所需的组织类型和染色剂。该方法在 ACROBAT 数据集上获得了最准确的结果，在 HyReCo 数据集上实现了细胞级重染的配准精度，同时在 ANHIR 数据集上也表现出色。该方法不需要对新数据集进行微调，并可直接用于其他类型的显微镜图像。该方法已集成到 DeeperHistReg 框架中，可供其他人直接使用，以在任何所需的金字塔级别上对 WSIs 进行配准、变换和保存。该方法对 WSI 的配准是一个重要的贡献，推动了数字病理学领域的发展。

Apr, 2024

通过对乳腺癌组织标本图像的数据集进行系统回顾，发现了 12 个公开的数据集，并对每个数据集的元数据和特征进行了报告，同时编制了一个文章中使用的补充资源列表。此外，还强调了建立乳腺癌 WSI 数据集元数据报告指南的必要性。

Jun, 2023

本文介绍了 BReAst Carcinoma Subtyping（BRACS）数据集，这是一个包含 547 张 WSI 和 4539 个感兴趣区域（ROIs）的大型数据集，可以帮助进一步了解乳腺癌的特征以及利用人工智能技术对其进行诊断和分类。

Nov, 2021

本文以基于核定位的点集注册方法为基础，针对多染色 WSIs 进行局部非刚性注册，以实现核级别的分组分析和蛋白质标记的上下文分析，通过对 HYRECO 数据集进行评估并与其他已建立的注册算法进行比较，表明该方法在核级别的注册上具有优越性。

Apr, 2024

DeeperHistReg 是一个软件框架，专门用于注册使用多个染料获取的全幅切片图像 (WSIs)，它允许进行预处理、初始对齐和非刚性注册，支持多种先进的注册算法，并提供操作任意分辨率的 WSIs 界面，可扩展性强，还可通过其他研究人员轻松集成新的算法。该框架同时提供 PyPI 包和 Docker 容器。

Apr, 2024

利用组织学图像的自动分类方法可以提高乳腺癌的诊断准确性，并通过组织学图像的自动分类的算法进一步推进形态学领域的发展。本文评估了在大型数据集上集成卷积神经网络的方法，将其用于在乳腺癌图片的分类问题，并在自动分类的准确性方面取得了一定的进展。

Aug, 2018

本文提出了一种新颖的鲁棒学习方法来解决整张切片图像（WSIs）中的扰动问题，并通过引入图卷积网络（GCN）从图中提取特征，包括去噪和分类层，以改善前列腺癌的诊断准确率。实验结果表明，与非鲁棒算法相比，该模型在癌症诊断方面取得了显著的改善。

Oct, 2023

通过使用基于内容的医学图像检索 (CBMIR) 分析组织病理学切片图像，数字病理学通过提供一种强大的工具进而革命了肿瘤诊断；为了解决 CBMIR 中缺乏标注的组织病理学图像的问题，文中提出了一种无监督学习方法 (UCBMIR), 并采用基于卷积自编码器 (CAE) 的自定义方法提取特征，经过实验表明该方法具有较高的识别准确率。

May, 2023

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

通过深度学习方法进行图像配准，该方法在集成放射学和病理学信息方面具有更好的性能，从而便于生成大规模数据集，以训练更准确的乳腺癌检测模型。

Jan, 2024