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

通过构建 FlyTracing 数据集和引入连接感知对比学习方法，本研究旨在降低人工工作量，减少电子显微镜数据中自动图像分割后的人工校对过程，并提出了一种有效的自动神经追踪方法。

Jan, 2024

本文提出了一种基于深度学习的端到端框架，用于自动分割染有尼氏小体的脑组织组织切片中的单个神经元细胞，并测试在细胞实例分割方面的性能表现优于其他深度学习方法。

Jun, 2023

本研究旨在开发一种自动计数血管壁动脉粥样硬化斑块细胞的方法，并使用弱监督学习方法训练 HoVer-Net 模型来检测荧光图像中的细胞核，并使用熵最小化损失函数来提高该模型在周围未标记区域的预测置信度。

Jul, 2022

本文中，我们介绍了一种吸引医学生和病理学家参与的方法，用于在乳腺癌中标注细胞核的数据集，其中建议的注释可以通过弱算法来改善，该算法可用于训练分割算法，这种方法被称为 DTALE，旨在通过核分割和形态学特征来提高核分类模型的透明度。

Feb, 2021

本研究使用基于深度学习的生成对抗网络模型，将未标记组织样本的自动荧光图像转化为等效于其染色样本的亮场图像，实现了一种免标记虚拟染色的显微镜图像制作方法，有效节约了组织学检查的时间和成本。

Mar, 2018

我们提出了一种基于可标注效率的对比学习模型（LECL），用于在 3D 免疫荧光图像中检测和分类各种类型的细胞核，该方法克服了使用点注释进行训练时的困境，并采用扩展的最大强度投影方法解决了多个 z 堆叠帧引起的问题。我们在心血管数据集上进行了实验，并发现我们的框架在检测和分类 3D 免疫荧光图像中的各种细胞核方面是有效且高效的。

Sep, 2023

该研究提出一种基于深度学习的虚拟标记方法，用于光学显微图像中的细胞结构和亚细胞成分的标记，通过使用部分标记的数据集和自适应损失进行训练，同时探索了几种训练策略的有效性，取得了有希望的虚拟标记性能。

Jun, 2024

本研究提出了一种使用合成 3D 体积进行深度学习核分割的方法，通过空间约束的对抗网络生成一组合成 3D 体积和相应的地面真实数据集，对各种数据集成功地完成了核分割任务。

Jan, 2018

使用变分自动编码器进行监督学习的深度学习细胞特征提取模型，用于从多重免疫荧光细胞图像中提取细胞特征，并通过对乳腺癌患者的 1,093 个组织微阵列核心中提取的超过 44,000 个多重免疫荧光细胞图像块进行细胞表型分类来验证其成功。

Jun, 2024