通过机器学习和深度学习模型应用于医学图像分析，本研究主要关注白细胞分类的现代技术，并提供了有关最常用的技术和最佳白细胞分类方法的宝贵见解，同时指出了数据集可用性、研究人员医学培训和使用高级深度学习网络的挑战。

Aug, 2023

本文介绍了一种针对不同细胞域之间数据分布不平衡和因噪声、神经元元素变化等因素引起的域移动问题的深度卷积神经网络。该方法在精确识别细胞分类方面表现出色，为实验室和诊所的应用提供了坚实的基础。

Mar, 2023

白细胞分类的新颖方法基于神经元细胞自动机 (NCA)，在三个白细胞图像数据集上测试表明我们的方法在与常规方法的竞争性能方面取得了良好的结果，该架构天然可解释，提供了对每个分类决策过程的洞见，帮助专家理解和验证模型预测，结果表明 NCA 不仅可以用于图像分类，还能解决常规方法的关键挑战，显示高潜力可应用于临床实践。

Apr, 2024

本文提出了一种两个主要组成部分的框架来避免类别增量持续学习中的灾难性遗忘，包括动态架构和训练过程，结果表明这种解决方案在医疗数据集上能够实现比现有技术水平更好的类别准确性和遗忘能力。

Mar, 2023

本篇研究旨在解决跨领域少样本增量学习问题，提出了一种跨域增强约束和跨域数据增强方法，并在 MedMNIST 数据集上进行实验，发现相较于其他类似方法，该方法的分类性能更好。

Apr, 2023

使用 HemaX 模型，通过五个属性（粒度、细胞质颜色、细胞核形状、相对红细胞大小和核质比）进行细胞分类、定位和分割，并以类似病理学家的解释进行解释，表现出令人印象深刻的分类准确性和细胞定位的 Jaccard 指数，并且在生成解释方面也表现良好。

Oct, 2023

该研究探讨了 11 种连续学习技术在恶意软件分类任务中的应用，包括任务、类别和域的增量学习，在两个现实的、大规模的恶意软件数据集上进行测试，结果表明，大部分连续学习方法在性能上都不如简单的关联式回放方法。

Aug, 2022

医学成像的分类问题具有新类别和域偏移的挑战，本文提出了一种名为伪标签重播的新方法，通过结合重播和伪标签方法的优势以解决现有的限制，有效地应对挑战并展现卓越性能和最小的遗忘。

Apr, 2024

本研究通过评估四个不同医学图像场景中各种连续学习方法的性能表明，单一模型可以顺序地学习来自不同专业的新任务，并达到与传统方法相当的性能，从而证明了在医学领域跨机构共享或回收模型的可行性，进一步推动了通用医学影像人工智能的发展。

Nov, 2023

这项研究探讨了无标记法对白细胞自动分类的置信度估计的校准，比较了不同的可视化解释方法，并且在血细胞分析的不同场景中展示了这些方法的实用性。

Nov, 2023