本研究提出了一种基于 CNN 的方法，通过结合细胞图像外观和形态学信息对 Pap 样本中的宫颈细胞进行分类，在 Herlev 宫颈数据集上验证了此方法的分类精度高于传统的手工特征分类方法，可用于宫颈病变的早期诊断。

Oct, 2018

本文提出了一种使用可变形多路径集合模型（D-MEM）进行自动宫颈细胞核分割的方法，其中采用 U 形卷积网络作为主干网络，并使用多个具有不同设置的网络构建集合模型，以提高模型的灵活性和准确性，该分割框架在 Herlev 数据集上实现了最新的精度，并具有解决其他医学图像分割任务的潜力。

Dec, 2018

为了解决宫颈图像分类模型开发中的挑战，本研究提出了一种基于自我监督学习的方法来产生一个预训练宫颈模型，并利用不同来源的未标记和 / 或标记图像来开发特定标准的宫颈图像分类模型，证明了该方法的有效性和联邦自我监督学习可以提高性能。

Jan, 2022

本文提出一种上下文感知的堆叠卷积神经网络模型，用于对乳腺癌组织 WSI 的细胞级信息进行分类，成功实现对病理组织的诊断和分类。

May, 2017

深度学习在宫颈癌筛查和诊断方面展示了显著的效率提升和速度增加，有望帮助我们实现早期诊断，挽救生命。

Oct, 2023

本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

Mar, 2019

针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

Mar, 2018

本文提出了一个基于卷积胶囊网络的深度学习解决方案，能够对通过血红蛋白和欧辛染色的乳腺组织活检的四种图像类型进行分类，表现出非常高的准确性和敏感性。

Apr, 2018

本文提出了 Instance Relation Network (IRNet)，通过探索实例关系互动来实现鲁棒性重叠细胞分割，其中 Instance Relation Module 构建细胞关联矩阵，协同不同实例通过上下文信息提高语义一致性，同时提出了一个稀疏约束的 Duplicate Removal Module，消除了分类和定位精度之间的误差，该方法在 Pap smear 图像中的最大宫颈抹片 (CPS) 数据集上表现优异，证明了探索实例关系的有效性。

Aug, 2019

利用卷积神经网络对乳腺 X 光造影图像进行分类，提出了一种高性能组织评估方法，采用局部组织分类器的方法在不同尺度上对可疑发现的组织块进行分类，使 AUC 超过了 0.9，并使用该方法生成了适用于临床设置的显著性图像。

Jun, 2018