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
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
本文提出了一种弱监督方法，可以在密集条件下分割相互接触、边界不清的单个细胞区域，无需单独的训练数据，通过多种显微镜捕获的多种细胞类型的数据集验证了该方法的有效性。
Nov, 2019
本文介绍了一个新的数据集，其中包含 493 张高密度显微镜图像，可用于分割微生物体的单个细胞和陷阱微结构的像素级别实例，同时提出了一个标准化的评估策略来促进新的细胞分割方法的发展。
Apr, 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
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
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)。
细分、测量和分析细胞图像的关键步骤在于对象分割。深度学习基于的工具在该领域中逐渐取得了主导地位，以 Cellpose 为代表的专业模型在准确性和用户友好性方面不断提升，多模态细胞分割挑战推动了准确性、效率和可用性方面的创新。文档、共享和评估标准的日益重视加快了朝着真正通用方法的目标迈进。
Nov, 2023
通过联合训练生成显微镜图像的假数据，以点标注为训练数据，实现显微镜图像分割的方法。
我们提出了一种利用迁移学习技术来有效纠正稀疏标注引入的采样选择错误的新方法，该方法从稀疏和明确的标注中得出不同组织类别的高质量分类器，并采用域自适应技术来有效纠正引入的稀疏采样选择错误。与完全标记数据的训练相比，我们将标记和训练时间分别缩短了 70 倍和 180 倍以上，而又不损失准确性，这极大地简化了在各种场景和成像设置中建立和不断扩展大型标注数据库的过程，因此是朝着组织分类中基于学习的方法实际应用性迈出的重要一步。
Mar, 2024