Slideflow是一种灵活的深度学习库，支持数字病理学的广泛深度学习方法，并包括快速的整个幻灯片接口来部署已训练好的模型，同时也具有高度优化的整个幻灯片图像处理等特点。

Apr, 2023

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

本文介绍了 DiffInfinite，一种分层扩散模型，可以生成任意大小的组织学图像，同时保留远程相关结构信息。论文提出了一种高保真生成扩散过程的方法，并弱化了组织病理学成像实践中独特的挑战：大规模信息、昂贵的手动注释和保护数据处理。

Jun, 2023

使用超过100万个组织样本预训练的自我监督模型UNI，在计算病理学中取得了巨大的突破，具有分辨率无关的组织分类、少样本类别原型的幻灯片分类以及疾病亚型分类等新的建模能力，为解决解剖病理学中各种具有挑战性的任务和临床工作流提供了数据高效、泛化和迁移能力的人工智能模型。

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

该研究介绍了一种使用自我监督学习嵌入条件的扩散模型来生成高质量的病理学和卫星图像的方法。通过从自我监督学习表示中提取嵌入，可以生成大型图像，并通过生成变化的真实图像加强下游分类器的准确性。此方法在训练过程中表现出鲁棒性和普遍性，对于不同数据集的图像生成同样有效。

Dec, 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

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

使用超高分辨率级联扩散模型（Ultra-Resolution Cascaded Diffusion Models，URCDMs）从组织病理学数据中诊断医学状况，能够在高分辨率下合成整个组织病理学图像，同时真实地捕捉到各个放大倍率水平下底层解剖和病理的细节。

Jul, 2024

本研究解决了高分辨率全幻灯片图像（WSIs）在数字病理学中获取困难的问题，提出了Histo-Diffusion方法。这是一种新颖的扩散基础方法，能够有效提升低分辨率病理图像质量，并建立了一套全面的评估策略。研究结果显示，Histo-Diffusion在多个数据集上的表现优于现有的生成对抗网络（GANs），为病理图像的超分辨率生成提供了有效支持。

Aug, 2024