在数字病理学中，为了进行细胞分类、癌症诊断和预后，细胞的空间上下文信息至关重要。本研究引入了空间统计和拓扑数据分析中的数学工具，将这些结构描述符引入深度生成模型，作为条件输入和可微损失，来生成高质量的多类细胞布局，并证明了拓扑丰富的细胞布局可以用于数据增强和提高细胞分类等下游任务的性能。

Apr, 2023

本研究提供了一种用于标准化组织学染色的完全自动化、端到端基于学习的设置，该设置考虑了组织的纹理上下文，并通过结合来自长短时记忆单元的门控元素的批量归一化框架来扩展特征感知归一化。为了实现优秀的标准化结果并确保颜色和纹理的一致表示，作者将预训练的深度神经网络作为特征提取器来引导像素处理管道，并使用颜色直方图偏差、结构相似性和颜色体积等指标对不同方法进行评估。

Aug, 2017

本研究提出了一种 Patch-GCN 算法，该算法可以对肿瘤微环境中的局部和全局拓扑结构进行建模，从而对患者的生存预后进行更好的预测。该算法通过 4,370 张 WSIs 的验证，在 5 种不同的癌症类型中，表现出比之前研究中所有的弱监督方法都要好。

Jul, 2021

本文介绍了一种新方法在数字病理学中自动检测和分类不同类型的细胞，包括肿瘤细胞，淋巴细胞或基质细胞，该方法通过使用空间统计功能来描述局部密度和深度聚类技术来学习高级细胞表征，特别关注空间上下文，该方法在不同的基准测试中表现出更好的性能，尤其是在分类任务上，在乳腺癌细胞检测和分类新数据集上进行了验证，并让代码和数据公开可用。

Oct, 2021

本文介绍了一种基于上下文感知的神经网络，可以用于对数字组织病理学图像进行更高分辨率的分析，并在结肠癌分级和乳腺癌分类方面获得了比传统方法更好的结果。

Jul, 2019

本研究评估了具有上下文学习能力的模型 Generative Pretrained Transformer 4 with Vision (GPT-4V) 在癌症图像处理中的应用，结果显示在组织亚型分类、结肠息肉亚型分类和淋巴结切片中的乳腺肿瘤检测等三项癌症组织病理学任务中，使用上下文学习可以达到或超过针对特定任务训练的神经网络的性能，且只需使用较少的样本。总结起来，本研究表明，在病理学中，基于非领域特定数据训练的大型视觉语言模型可以直接应用于解决医学图像处理任务，这使得非技术背景的医学专家在样本稀缺的领域中能够使用通用的人工智能模型。

Mar, 2024

提出了一种名为 FPath 的框架，利用自监督对比学习和上下文感知多实例学习的方法，从变焦比例下获取的尸检组织病理图像中学习鉴别性表示，并在 19,607 胎鼠尸体图像和 3,378 真实人体遗体图像的大型数据库上取得了最先进的准确性及跨领域泛化能力。

Aug, 2023

使用基于 CNN 的分类激活特征和重叠图像块的特征来实现基于上下文信息的乳腺癌分类方法。结果表明，该方法在小数据集上比现有算法表现更出色。

Feb, 2018

使用深度图卷积网络和卷积神经网络结合的非对称同时训练框架提升多类组织病理图像分类的解释性和性能。

Aug, 2023

本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

Dec, 2018