提出了一种利用卷积神经网络的系统，结合了严重程度评估与伪影检测，通过使用 DoubleUNet 对伪影进行分割以及六个微调后的卷积神经网络模型来确定伪影的严重程度，该方法在伪影分割方面的准确性较当前技术领先水平提高了 9%，在伪影的严重程度评估方面与病理学家的评估结果具有 97% 的强相关性，而且该系统在异构数据集上表现出良好的鲁棒性，并且与自动分析系统集成后可以得到实际的应用性。

Jan, 2024

通过扩充临床数据集中的少数样本，提高机器学习模型稳定性的一种新方法 —— 基于扩散模型的图像生成方法，可以生成与真实图像难以区分的组织病理学图像。

Apr, 2023

提出一种混合专家方案，用于从全玻片图像中检测五个显著的伪迹，其中包括受损组织、模糊、折叠组织、气泡和组织学上无关的血液，以提高计算病理学系统的可靠自动化诊断。

Mar, 2024

本研究提出了一种新的云数字切片工作流，通过上传低质量视频从廉价且便宜的显微镜中获取整张扫描仪质量的全切片图像（WSIs）。

May, 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

本文提出了一种动态交互和弱监督分割方法，以最小用户交互方式解决全幻灯组织病理图像分割中的两个主要挑战：缺乏手工标注的数据集来训练算法以及缺乏能够对话的交互模式，这在临床实践中可能是一个主要障碍。因此，我们提出了一种快速和用户导向的方法来弥合这一差距，让病理学家对最终结果有控制权的同时，限制所需交互的数量以获得良好的结果（仅需 4 次校正示意图即可在所有度量标准上实现 90％以上）。

Feb, 2024

该论文介绍了使用知识蒸馏来提高 Vision Transformers 在传统医学图像处理中对空气泡识别任务的分类性能，以检测 Whole Slide Images 上的伪影，提高了细胞病理学自动诊断系统中的预处理管道的效率。

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

利用第一代透射式光子吸收遥感显微镜的标签自由组织学平台，以及 pix2pix 实验，全面提高了组织学诊断的效率和疾病诊断的准确性，同时允许光学方法（标签自由的）与传统染色工艺进行对比，应用广泛。

Apr, 2023

自动质量和幻觉评估方法 (AQuA) 在虚拟组织染色方面实现了 99.8% 的准确性和 98.5% 的与人工评估一致性，同时具有检测虚拟组织染色幻觉图像的超人表现，并显示其在数字病理学和计算成像中的各种图像生成和转换任务方面的可靠性。

Apr, 2024