通过使用卷积神经网络将核数据分离和分类，进而对数字病理学的工作流程进行优化。

Dec, 2018

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

通过引入附加的解码器头部使用独立的加权损失函数，该研究提出了对数字组织学中核的同时实例分割和分类的多阶段方法，以在高质量实例分割和核分类方面取得了显著的性能改进，并且在 19 种类型的组织上具有广泛的适用性和较低的复杂性。

Aug, 2023

利用 cGAN 训练的条件生成模型，基于合成和真实数据，实现了针对不同器官、地点、患者和疾病状态的细胞核分割，优于传统方法。

Sep, 2018

通过结合多个部分注释数据集，我们提出了一种方法将互补注释合并到一个模型中，实现更好的场景分割和使用多个可用数据集。我们的方法成功地将 6 个类别组合成一个模型，与单独训练在各个类别上的模型集合相比，总体 Dice 分数提高了 4.4%。通过包含多个类别的信息，我们成功将胃和结肠之间的混淆减少了 24%。结果证明了在多个数据集上进行模型训练的可行性，为未来进一步减少对一个大型完全分割数据集的需求铺平了道路。

Feb, 2024

借助数字病理学和自动扫描保存整张组织学图像的显微系统的出现，越来越多地使用计算机方法来分析获取的图像。在各种组织学图像分析任务中，核实例分割在各种临床和研究应用中起着基础作用。然而，深度学习（DL）方法在处理未见数据集时性能通常下降。本文提出了一种改进基于 DL 的自动分割方法泛化能力的新方法，该方法利用一种最先进的基于 DL 的模型作为基准，并将非确定性训练时间和确定性测试时间染色归一化结合起来。实验结果表明，与基线分割模型相比，提出的方法在基于 Dice 分数、聚合 Jaccard 指数和全景质量得分分割核实现方面分别提供了高达 5.77％、5.36％和 5.27％的性能改进。

Sep, 2023

在诊断和治疗癌症疾病中，基于人工智能的组织病理学图像中的细胞核分割是一项至关重要的任务，它减少了手动筛查显微组织图像所需的时间，并且能够解决病理学家在诊断过程中的冲突。本研究提出了一种新颖的细胞核分割方法，利用了可用的带标签和未标签数据。该方法将之前分别尝试过的归纳学习和传导学习的优势结合到一个框架中。归纳学习旨在逼近泛函并推广到未见的测试数据，而传导学习则有利于利用未标签的测试数据来改善分类。据我们所知，这是第一项提出在医学图像分割中采用这种混合方法的研究。此外，我们提出了一种新颖的两阶段传导推理方案。我们在 MoNuSeg 基准上评估了我们的方法，以展示其效果和潜力。

Nov, 2023

本文提出了一种基于部分点注释的弱监督分割框架，其中包括两个阶段的半监督策略和深度神经网络的使用，使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。

Jul, 2020

本文提出了一种自监督学习框架，通过对卷积神经网络进行尺度三元组学习和数量排序等两个子任务，隐式地利用细胞核大小和数量的先验知识，从原始数据中挖掘出特征表示，最终在公开数据集上取得了非常好的结果，大大提高了细胞核实例分割的准确性。

Jul, 2020

本研究旨在探讨如何利用深度学习算法对组织切片图像的细胞核进行分割和分类，并针对目前深度学习算法在实际医疗应用方面面临的挑战提出建议和研究方向。

Mar, 2020