核分类是计算机辅助诊断中的关键步骤，本文提出了一种基于细胞图变换器的新方法，通过在细胞图中处理节点和边缘作为输入标记，实现了可学习的邻接和信息交换，结合拓扑感知的预训练方法，显著提高了核分类结果并达到了最先进的性能。

Feb, 2024

该研究提出了一种通用的细胞核分类框架 (UniCell)，通过一种新颖的提示学习机制，使不同基于数据集的病理图像能够统一预测相应的类别。实验证明该方法在四个细胞核检测和分类基准测试上达到了最先进的效果。

Feb, 2024

TransNuSeg 是第一个仅采用 Transformer 框架进行核分割的尝试，解耦了核实例、核边缘和聚集边缘分割等任务，采用了新型的自蒸馏（self distillation）损失和部分共享注意力的方案，取得了比 CA2.5-Net 更好的性能。

Jul, 2023

本文提出了一种新的 Affine-Consistent Transformer（AC-Former）方法，通过全局和局部子网络的协同训练，直接产生一个核位置序列；同时引入了 Adaptive Affine Transformer（AAT）模块，用于自动学习关键的空间变换方法，以提高模型的性能。实验证明，该方法在多个评估数据集上显著优于现有的先进算法。

Oct, 2023

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

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

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

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

介绍了一种基于 Vision Transformer 的新方法 CellViT，利用大规模的预训练模型，在 PanNuke 数据集上实现对细胞核的自动检测和实例分割的最新性能，并获得了 0.51 的平均全景质量和 0.83 的 F1 检测分数。

Jun, 2023