Slideflow是一种灵活的深度学习库，支持数字病理学的广泛深度学习方法，并包括快速的整个幻灯片接口来部署已训练好的模型，同时也具有高度优化的整个幻灯片图像处理等特点。

Apr, 2023

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

通过使用ArtiFusion进行逐渐去噪的过程, 该研究提出了一种新的组织学图像去伪存真的方法，该方法能够成功地恢复失真区域外的真实组织结构和染色样式。

Jul, 2023

使用H&E Otsu阈值化方法，快速检测整个切片图像中的组织并消除各种不良产物，如笔迹和扫描工.具。我们的方法通过获取低放大倍数的RGB概览图像的双峰表示，实现了简单的Otsu阈值化分离组织、背景和产物。我们在来自多个机构和数字扫描仪的切片图像上演示了我们的方法，每个图像都包含导致其他方法失败的大量产物。我们方法的优势在于其简单性：通过操作RGB颜色空间和使用Otsu阈值化，可以快速消除产物并分割组织。

Aug, 2023

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

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

在组织学和组织病理学影像档案中搜寻相似影像是一项关键任务，可用于患者匹配，从分类、诊断到预后和预测的各个方面。本文详细分析和验证了四种搜索方法（包括视觉词袋、Yottixel、SISH和RetCCL），其算法和结构进行了评估，同时提出需要进一步研究组织病理学图像搜索中准确性和最小存储需求这两个方面的问题。

Jan, 2024

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

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

本研究针对现有组织病理全幻灯片图像质量控制的不足，提出了一种高效的深度学习软件管道，能够自动分割模糊、组织区域、组织褶皱和笔迹等多种区域。经过在TCGA数据集上的评估，该管道在准确性和速度之间达成平衡，能够显著提高组织病理图像分析的准确性和可靠性，促进研究和临床应用。

Oct, 2024