本文介绍了一个新的数据集，其中包含 493 张高密度显微镜图像，可用于分割微生物体的单个细胞和陷阱微结构的像素级别实例，同时提出了一个标准化的评估策略来促进新的细胞分割方法的发展。

Apr, 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

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

通过分割选择方法实现大规模三维细胞追踪，该方法在两个方面对大规模显微数据集中的细胞追踪问题具有有效性：（i）能够解决拥有数百万分割实例的 TB 级三维时间数据集的问题；（ii）能够在不依赖稀缺的三维标注数据的情况下与使用深度学习的方法达到竞争水平。该方法通过分割假设的层次结构计算细胞轨迹和分割，并通过最大化相邻帧之间的重叠来选择不相交的分割。证明该方法在细胞追踪挑战中实现了最先进的结果，并且拥有更快的整数线性规划公式。此外，我们的框架灵活性强，支持来自现成细胞分割模型的分割，并能够将它们组合成一个提高追踪效果的整体。代码可以在此链接中找到：https:// 此链接网址

Aug, 2023

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

通过去除细胞注释中的 50% ，学习性的分割模型表现的结果只比完整的标签相应的模型降低了 DSC 指标，表明可以至少减少一半的注释时间而不影响性能，并且单一组织模型与多组织模型在新颖组织类型上的性能差异微乎其微，并且通过多次增加最差性能模型的训练可以提高其性能。

Feb, 2024

我们提出的新的 Cyto R-CNN 架构在整个细胞分割方面优于现有算法，同时提供比任何其他模型更可靠的细胞测量，这可能改善数字病理学工作流程，进而提高诊断水平。此外，我们发布的数据集可以用于未来的模型开发。

Jan, 2024

本研究提出了一种名为 DenseTrack 的新型细胞跟踪算法，它将深度学习与基于数学模型的策略相结合，以在拥挤场景中有效建立连续帧之间的对应关系和检测细胞分裂事件。通过将细胞跟踪问题制定为基于深度学习的时间序列分类任务，然后通过解决约束的一对一匹配优化问题来利用分类器的置信度得分。此外，还提出了一种基于特征分解的细胞分裂检测策略，利用细胞几何知识。该方法在细菌生物膜发展的三维时间序列图像中跟踪密集堆积的细胞，并经过了模拟和实验荧光图像序列的实验证明，与最近的最先进细胞跟踪方法相比，所提出的跟踪方法在定性和定量评估指标上具有更优越的性能。

Jun, 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

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