PatchSorter: 一种高通量的深度学习数字病理学工具用于目标标记
该论文提出了一种处理医学影像的框架，使用多实例学习多个小图像块的神经网络得出最终诊断，以解决机器学习中小 n，大 p 问题和像素级注释的限制。
Dec, 2017
本研究提出了三个关键技术贡献，分别为：一种快速的片段选择方法（FPS）用于全切片图像分析，显著降低计算成本同时保持准确性；一种轻量级组织病理特征提取器 PathDino，仅包含五个 Transformer 块和 900 万参数，较其他方法大大减少；一种使用自监督学习的旋转不变表示学习范式，有效减轻过拟合。并且通过在 12 个不同数据集上的评估，证明我们的紧凑模型优于现有的最先进组织病理专用视觉转换器，还验证了其在数字病理学中增强图像分析的鲁棒性。
Nov, 2023
提出了一种利用 Patch Transformer 来进行多标签预测的深度神经网络模型，可以从组织病理学切片图像中有效地预测多个幻灯片级标签，并通过大量实验证明了该模型的有效性。
Jun, 2019
利用 DenseNet-161 和 ResNet-50 预训练 CNN 模型，通过迁移学习的方法对数字组织病理学补丁进行分类，实验结果表明，这种方法可以自动检测和分类疾病，并在分类效果方面表现出色。
Mar, 2019
本文介绍了一个新的数据集 “Kimia Path24”，该数据集可用于数字病理学中的图像分类和检索，并通过使用 24 种不同的组织纹理的全扫描图像生成了 1,325 个大小为 1000x1000 的测试补丁。通过 LBP，字典方法和卷积神经网络等方法进行了基准测试，结果表明卷积神经网络获得了最高的准确性，41.8％。
May, 2017
该研究使用大规模的有标签数据集训练深度学习模型结合 “多示例学习”，以在针生物镜下进行前列腺癌诊断，并获得了很高的 AUC，为计算病理学领域的决策支持系统部署提供了基础。
May, 2018
数字病理学和人工智能模型的整合已经改变了组织病理学，为全面扫描图像（WSIs）的处理和分析提供了新机遇。本文提出了一种无监督补丁算法 SPLICE，通过顺序分析 WSIs 并选择非冗余特征，将 WSIs 压缩为紧凑的代表性补丁集，从而提高了搜索和匹配应用的准确性，减少了计算时间和存储需求。SPLICE 作为一种无监督方法，可以将组织图像的存储需求降低 50％，从而使计算病理学的许多算法能够更高效地运行，为数字病理学的快速应用铺平了道路。
Apr, 2024
本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。
Oct, 2019
本文提出了一种网络服务来可视化和注释数字化组织学图像，并通过一个以多个注释器为中心的用例来展示和验证该工具，同时提出了一个可用性研究，证明了该工具的可行性。
Jul, 2023