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

通过扩充临床数据集中的少数样本，提高机器学习模型稳定性的一种新方法——基于扩散模型的图像生成方法，可以生成与真实图像难以区分的组织病理学图像。

Apr, 2023

本文提出了一种使用扩散模型的现实数据合成方法，以平衡核类别和扩大观察各种核的机会，并使用语义标签条件扩散模型来生成逼真且高质量的图像样本，证明该方法提高了罕见类型的核分类的分类性能，同时在不平衡病理核数据集中显示出卓越的分割和分类性能。

Jun, 2023

通过在大规模无标签数据集上预训练潜在扩散模型（LDM），我们提出了一种名为HistoDiffusion的合成增强方法，然后在未见过的有标签数据集上通过分类器引导在潜在空间中微调模型，以合成特定类别的图像，并采用选择性机制只添加与目标标签匹配度较高的合成样本，通过HistoDiffusion增强，使用少量原始标签，我们大幅提高了骨干分类器的分类准确率6.4%。

Aug, 2023

通过利用生成扩散模型，我们提出了一种自监督学习方法，用于分割组织病理学图像，并采用基于多损失函数的微调方法进行下游任务。

Sep, 2023

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

提出一种新颖的基于细胞核感知的自监督预训练框架，通过组织病理图像与伪掩膜图像之间的无配对图像转换来捕获细胞核形态和分布信息，并采用条件和随机样式表示来调节生成过程，以实现预训练图像的真实性和多样性；同时，采用实例分割引导策略来捕获实例级信息。实验结果表明，该预训练方法在Kather分类、多实例学习和5个密集预测任务上优于有监督方法，并且在8个半监督任务上比其他自监督方法取得了更好的结果。

Sep, 2023

人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性/特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

Dec, 2023

在这篇论文中，我们提出了一种基于元学习的结构引导广义少样本实例分割（SGFSIS）框架，用于有效标注细胞核实例分割。实验证明，SGFSIS在少于5％的标注数据情况下，优于其他注释效率学习方法，包括半监督学习和简单迁移学习，并且与完全监督学习相当。

Feb, 2024

提出了基于风格提取的扩散模型，通过风格调控机制生成具有未见过风格的图像，并将其用于布局分割等下游任务中。在自然图像和组织病理学领域的实验中，验证了该方法的多样性和生成图像对性能影响的改进。

Mar, 2024