提出一种名为CIA-Net的新型深度神经网络，它具有多级信息聚合模块和双向聚合任务专用功能。通过作用于细胞核和轮廓的特征，可以减少分割中存在的问题，从而增强该网络对未见组织的分割能力，同时在2018年MICCAI挑战赛中证明了该方法的有效性。

Mar, 2019

本文提出了一种较少注释的、基于点的核分割方法，引入了一种叫做PseudoEdgeNet的辅助网络，可以引导分割网络识别核边缘，提高整个系统的性能。实验表明，在两个公共数据集上，该方法始终优于其他弱监督方法。

Jun, 2019

使用NuCLS数据库创建了多评估者模型来自动化分析乳腺癌中的细胞核，该模型采用了MIScnn框架中广泛采用的U-Net方法，并进行了预处理和数据探索。使用多种评估指标对最终模型进行了测试，并与NuCLS研究结果进行了比较和解释，给出了今后细胞核模型发展的重要指示。

Jun, 2022

本文提出了一个称为all-in-SAM的流程，通过将SAM用于整个AI开发工作流（从注释生成到模型微调），而无需在推理阶段使用手动提示，取代了在推理阶段使用提示的方法，可以在不需要手动提示的情况下更好地完成生物医学图像分割任务，并在公共数据集Monuseg上的一个核分割任务中超越了最先进的方法，并且使用弱注释进行SAM微调的实验结果表明其性能相对于使用强像素注释数据的方法而言具有竞争力。

Jul, 2023

本研究提出了一种新颖的基于提示的框架，包括一个点提示器和一个用于自动核实例分割的段装置模型。通过学习为每个细胞核生成唯一的点提示，并将段装置模型微调为输出相应的细胞核掩模，我们的方法在三个具有挑战性的基准测试上取得了最新的性能。

Nov, 2023

通过引入改进的像素级图像分割模型Segment Any Cell (SAC)，结合自动生成的实用提示和先进的Fine-Tuning技术，在核分割领域实现了优于现有SOTA方法的性能提升。

Jan, 2024

通过在大规模多样化数据集上进行预训练，SAM模型是计算机视觉领域针对目标分割任务的第一个可提示的基础模型。本文评估了SAM在零样本学习和微调下的核实例分割性能，将其与其他代表性方法在核实例分割中尤其是模型泛化能力的背景下进行比较，并提出使用核实例检测模型来为SAM提供核实例的边界框或中心点作为视觉提示，从组织学图像中生成核实例掩模。

Jan, 2024

提出了一种全自动解决方案，名为通用无提示的SAM框架(UN-SAM)，用于细胞核分割，具有优异的泛化能力，通过自动生成高质量掩膜提示来引导分割任务，并利用可学习的域查询来进行不同核域中的分割。

Feb, 2024

本研究解决了领域泛化细胞核分割模型在面对不同图像条件和细胞类型时的泛化能力不足的问题。提出的NuSegDG框架通过异构空间适配器和高斯核提示编码器来有效生成细胞核分割，减少了人工干预的需求。实验结果表明，NuSegDG在细胞核实例分割任务中表现出卓越的领域泛化能力。

Aug, 2024

本研究针对领域广义核分割中的模型通用性问题，通过引入异构空间适配器和高斯核提示编码器，解决了现有方法在医学图像适应性差和手动提示需求高的缺陷。实验结果表明，NuSegDG在核实例分割上表现出优越的领域泛化能力，具有显著的潜在应用价值。

Aug, 2024