使用基于深度学习的半监督训练的全自动决策支持系统 (DSS)，对浸润性导管癌进行免疫组化评分，从而提高免疫组化评分的准确性和治疗决策，特别是在专家不可用的情况下。

Jun, 2024

本研究基于深度卷积神经网络开发了计算方法，用于乳腺癌组织病理图像分类，包括四类和两类（用于检测癌变）分类任务，在高灵敏度操作点上，我们报告了 93.8% 的准确性，97.3% 的 AUC 和 96.5/88.0% 的敏感性 / 特异性，超过了其他常见的自动组织病理学图像分类方法。

Feb, 2018

我们提出了一种基于卷积神经网络的多类组织分割模型，通过像素对齐的非线性融合实现了局部和全局视野，能够准确检测各种组织类别，并且对于多种染料和扫描仪具有稳定性。

Jun, 2024

本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估，显示出一定的潜力.

Apr, 2020

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

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

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

利用人工智能的数字病理学可以自动分析组织病理切片，自动评估可以提高诊断效率并帮助找出形态特征与临床结果之间的关联。本研究旨在开发一个用于乳腺癌切片上上皮细胞分割的人工智能模型，利用卷积神经网络进行训练，并通过数据增强提高模型的鲁棒性。

Nov, 2023

本文介绍了乳腺癌免疫组化图像生成挑战赛，旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。我们进一步分析了该领域的当前限制并预测了未来的发展。发放的数据集和挑战将希望能激发更多学者共同研究更高质量的免疫组化染色图像的生成。

May, 2023

我们发布了一个大规模的手工标注的细胞核数据集 NuInsSeg，其中包含来自 31 个人和小鼠器官的 665 个图像补丁，超过 30,000 个手动分割的细胞核。此外，我们首次提供了整个数据集的模糊区域掩模，用于表示图像的某些部分即使对于人类专家来说也无法精确和确定地进行手动注释。

Aug, 2023