我们提出了一个两步骤混合方法，包括深度学习和特征提取的初始对齐算法以及基于强度的非刚性配准。该方法不需要对特定数据集进行微调，可直接用于任何所需的组织类型和染色剂。该方法在 ACROBAT 数据集上获得了最准确的结果，在 HyReCo 数据集上实现了细胞级重染的配准精度，同时在 ANHIR 数据集上也表现出色。该方法不需要对新数据集进行微调，并可直接用于其他类型的显微镜图像。该方法已集成到 DeeperHistReg 框架中，可供其他人直接使用，以在任何所需的金字塔级别上对 WSIs 进行配准、变换和保存。该方法对 WSI 的配准是一个重要的贡献，推动了数字病理学领域的发展。

Apr, 2024

通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

Apr, 2024

本研究旨在研究利用深度学习进行组织的全切片成像技术，主要包括对于 WSI 注册的算法研究，本研究增加了协变量考虑，得到高的准确性，同时结果也有望指导研究人员在选择和开发算法方面有所帮助。

May, 2023

本文介绍了一种利用 Map3D 算法进行 3D 医学图像配准的方法，将多种染色制片自动对准，实现数字病理学的自动化处理。

May, 2023

该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。

Jul, 2023

DeeperHistReg 是一个软件框架，专门用于注册使用多个染料获取的全幅切片图像 (WSIs)，它允许进行预处理、初始对齐和非刚性注册，支持多种先进的注册算法，并提供操作任意分辨率的 WSIs 界面，可扩展性强，还可通过其他研究人员轻松集成新的算法。该框架同时提供 PyPI 包和 Docker 容器。

Apr, 2024

本文提出了一种新颖的鲁棒学习方法来解决整张切片图像（WSIs）中的扰动问题，并通过引入图卷积网络（GCN）从图中提取特征，包括去噪和分类层，以改善前列腺癌的诊断准确率。实验结果表明，与非鲁棒算法相比，该模型在癌症诊断方面取得了显著的改善。

Oct, 2023

本文提出了一种基于部分点注释的弱监督分割框架，其中包括两个阶段的半监督策略和深度神经网络的使用，使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。

Jul, 2020

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

传统的染色标准化方法通常依赖于选择单个代表性参考图像，而这可能不能充分考虑在实际情况下收集的数据集的各种染色模式。本研究引入了一种新颖的方法，利用多个参考图像增强对染色变异的鲁棒性。我们的方法无需参数，并可以在现有的计算病理学流程中采用而无需重大更改。我们通过在结肠癌图像上使用深度学习流程进行自动核分割的实验来评估我们方法的有效性。结果表明，通过利用多个参考图像，可以在广义到外部数据时获得更好的结果，而这些数据的染色与训练集有很大的差异。

Jun, 2024