细胞分割是显微图像中定量单细胞分析的关键步骤，现有的细胞分割方法通常针对特定模态或需要手动干预以指定不同实验设置中的超参数。本研究提出了一个多模态细胞分割基准，包括超过 1500 个带标签图像，来自 50 多个不同的生物实验。前几名的参与者开发了一种基于 Transformer 的深度学习算法，不仅超越了现有方法，还可以应用于不同显微成像平台和组织类型的各种显微图像，无需手动参数调整。这个基准和改进的算法为显微成像中更准确和多功能的细胞分析提供了有希望的途径。

Aug, 2023

多模态显微图像的细胞分割仍然是一个挑战，为了解决这个问题，我们首先开发了一个基于细胞的低级图像特征的自动分类流程，然后训练了一个基于类别标签的分类模型。然后，我们针对每个类别训练了一个单独的分割模型，使用对应类别中的图像。此外，我们还部署了两种类型的分割模型，分别用于分割具有圆形和不规则形状的细胞。此外，为了增强分割模型的效率，我们采用了一种高效且强大的主干模型。在 NeurIPS 2022 Cell Segmentation Challenge 的调优集上评估，我们的方法达到了 F1 得分 0.8795，所有情况的运行时间都在时间容限范围内。

Oct, 2023

本研究提出了一种使用合成 3D 体积进行深度学习核分割的方法，通过空间约束的对抗网络生成一组合成 3D 体积和相应的地面真实数据集，对各种数据集成功地完成了核分割任务。

Jan, 2018

本文提出了两个计算机算法，分别用于分割细胞核和分类组织切片图像。采用多尺度深度残差聚合网络实现核物质的准确分割，采用深度学习方法与随机森林回归模型相结合进行图像分类。该算法在 MICCAI 2017 数字病理学挑战赛中取得了较高的精度得分。

Oct, 2018

本文提出了一种元学习的方法，通过利用来自不同领域的标注图像数据集和目标领域内有限数量的标注图像数据集来训练通用、适应性强的少样本学习模型，来解决显微镜图像中的细胞分割问题。实验表明，使用标准分割神经网络体系结构，1 到 10 个数据样本的元学习结果有很好的表现。

Jun, 2020

本文基于 CNN 的深度学习结构，针对显微镜图像中的目标分割和结构定位问题进行了研究，经过多重分辨率训练和中间层连接优化，通过多分辨率反卷积滤波器生成输出，在公开数据集上取得了优异的成果。

Apr, 2018

用于多模态高分辨率显微镜图像的弱监督细胞分割是一个基本任务。本文提出了 MEDIAR，这是一个周全的细胞实例分割流程，将数据中心和模型中心方法相结合，实现了在多模态下的高效分割。

Dec, 2022

建议使用无人值守的多阶段分割方法进行细胞核的自动、快速、无监督分割，并利用该方法的定量相位信息来介绍新的细胞质和细胞核特征，以提高细胞学诊断的可行性和可解释性。

Nov, 2023

本文介绍了一种基于深度学习的微观细胞图像语义分割，提出了针对数据量少的高效学习框架，并提出了一次学习和部分监督学习这两种学习策略以及使用小提示图像的新型分割方法。实验结果证明，与传统方法相比，提出的方法提高了 Dice 系数 (DSC)。

Apr, 2023

本文提出了一种基于 3D 分割结果的多目标跟踪方法，该方法可通过提取深度神经网络中的特征图来识别和匹配物体部分，该方法在跟踪准确性和事件识别准确性方面比现有的方法分别提高了 2.96% 和 35.48%。

Nov, 2019