本研究旨在研究利用深度学习进行组织的全切片成像技术，主要包括对于WSI注册的算法研究，本研究增加了协变量考虑，得到高的准确性，同时结果也有望指导研究人员在选择和开发算法方面有所帮助。

May, 2023

通过对乳腺癌组织标本图像的数据集进行系统回顾，发现了12个公开的数据集，并对每个数据集的元数据和特征进行了报告，同时编制了一个文章中使用的补充资源列表。此外，还强调了建立乳腺癌WSI数据集元数据报告指南的必要性。

Jun, 2023

通过系统地研究 WSIs 分类算法的不同设计选择，我们发现全局上下文信息并非越多越好，而是以局部小区域的细节信息为主要特征，此外，相较于在更大的数据集上进行无监督预训练，我们发现在更小、更专注的数据集上进行预训练可以更好地区分输入补丁的微妙差异。

Oct, 2023

基于“Divide & Conquer”方法，我们提出了一种名为SDM的新方法，用于选择一小部分具有不同形态的整个切片图像，以在计算病理学中实现WSI分析、分类和匹配。通过在各种公共和私人组织病理学数据集上进行评估，SDM展现了出色的效果，并通过优化选择过程来捕捉WSI中的不同形态特征，从而消除了Yottixel's mosaic中经验参数化的必要性。

Nov, 2023

在组织学和组织病理学影像档案中搜寻相似影像是一项关键任务，可用于患者匹配，从分类、诊断到预后和预测的各个方面。本文详细分析和验证了四种搜索方法（包括视觉词袋、Yottixel、SISH和RetCCL），其算法和结构进行了评估，同时提出需要进一步研究组织病理学图像搜索中准确性和最小存储需求这两个方面的问题。

Jan, 2024

我们提出了一个两步骤混合方法，包括深度学习和特征提取的初始对齐算法以及基于强度的非刚性配准。该方法不需要对特定数据集进行微调，可直接用于任何所需的组织类型和染色剂。该方法在ACROBAT数据集上获得了最准确的结果，在HyReCo数据集上实现了细胞级重染的配准精度，同时在ANHIR数据集上也表现出色。该方法不需要对新数据集进行微调，并可直接用于其他类型的显微镜图像。该方法已集成到DeeperHistReg框架中，可供其他人直接使用，以在任何所需的金字塔级别上对WSIs进行配准、变换和保存。该方法对WSI的配准是一个重要的贡献，推动了数字病理学领域的发展。

Apr, 2024

本研究解决了数字病理学中基础模型泛化能力不足的问题，特别是针对特征聚类现象（WSI特定特征崩溃）。我们提出了一种新的模型，经过染色标准化处理，从而使模型学习到更一致的特征。实验结果显示，该模型在多个下游任务中显著减少了特征崩溃现象，提高了模型的效率和泛化能力。

Aug, 2024

本研究解决了基础病理模型在数字病理中的特征聚类问题，即WSI特定特征崩溃，这影响了模型的泛化能力和性能。作者提出的染色规范化病理基础模型通过对拼接区域进行染色规范化，显著提升了模型学习更一致特征的能力，实验证明该模型在多个下游任务中表现优异，表明其泛化能力得到了明显改善。

Aug, 2024

本文解决了病理图像检索中的零样本问题，通过测试最新的基础模型进行全幻灯片图像检索。关键发现表明，尽管取得了一定的F1评分结果，但整体性能仍较低，显示出该方法在实际应用中的局限性，为未来的改进提供了重要参考。

Sep, 2024

本研究针对数字病理领域中全幻灯片图像（WSI）的表示问题，指出当前以“补丁”为导向的方法限制了对整个切片的全面分析。论文介绍了一种基于集合的单向量表示方法，能够更高效地利用此类复杂图像，从而提高计算效率并降低存储需求，对医疗服务的可及性和质量产生积极影响。

Sep, 2024