通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。
Jul, 2017
本研究提供了一种用于标准化组织学染色的完全自动化、端到端基于学习的设置，该设置考虑了组织的纹理上下文，并通过结合来自长短时记忆单元的门控元素的批量归一化框架来扩展特征感知归一化。为了实现优秀的标准化结果并确保颜色和纹理的一致表示，作者将预训练的深度神经网络作为特征提取器来引导像素处理管道，并使用颜色直方图偏差、结构相似性和颜色体积等指标对不同方法进行评估。
Aug, 2017
本文提出了一种基于条件生成对抗网络（GANs）的染色风格转换（SST）模型，用于学习染色风格和对应的组织病理图像，并考虑了特征保持损失，以避免肿瘤分类器在转移图像时降级，研究表明该模型基于CAMELYON16数据集的性能因组织病理样本的染色风格而变化。
Oct, 2017
本研究提出了一种无监督学习的方法，利用生成对抗网络（GAN）生成与真实组织学图像相似的组织学图像，以提高分类CNN的性能，该方法不仅能在缺少监督数据的情况下有效地进行癌症诊断，而且对于含有监督数据的情况仍能表现出色。
Dec, 2017
本文研究组比较了针对组织切片染色变异的两种技术：染色色彩扩增和染色色彩规范化，并在异质性数据集上量化了它们对卷积神经网络分类性能的影响，并提出了一种使用神经网络进行无监督染色色彩规范化的新方法。
Feb, 2019
本文介绍了 HistoStarGAN，它是一种用于多种染色方式的虚拟染色方法，可以进行染色归一化和染色不变分割，并证明其具有泛化能力和生成合成图像数据的能力。同时还展示了一种基于肾脏病理图像的人工数据集制作方式，以此展示了这种方法在生物成像领域的潜在应用与风险。
Oct, 2022
本研究提出了基于参数可变的深度学习网络ParamNet，用于数字病理学图像的染色归一化，该网络能够提高诊断系统的性能和分类器的泛化能力，同时保持计算效率和图像质量。
May, 2023
我们提出了一种新颖的生成方法用于组织病理学图像的领域泛化，通过使用一种生成的自监督视觉转换器从图像片段中提取特征，并将它们无缝地融合到原始图像中，从而创建具有不同属性的新颖的合成图像，丰富数据集，从而提高深度学习模型在未见领域中的泛化能力。
Jul, 2024
本研究解决了病理图像分类中对大规模多样化数据集的需求，旨在通过生成模型和图像选择方法生成符合类别标签的真实合成图像补丁。通过对PCam数据集的实验，我们发现扩散模型适用于迁移学习，而GAN生成的样本更适合数据增强，验证了合成图像在提高病理图像分类任务性能中的有效性。
Sep, 2024
本研究针对癌症研究中面临的数据稀缺以及生成对抗网络（GAN）固有的训练不平衡等问题，提出了一种创新框架，通过对比学习驱动的多阶段渐进微调SNN（MFT-SNN）和强化学习外部优化器（RL-EO），显著提高GAN训练效率和效果。结果显示，该方法在多个指标上超越了当前最先进的模型，为癌症早期诊断和治疗策略设计提供了新的数据处理工具。