该研究提出了一种在 VAE 潜在空间中使用动态时间扭曲 (DTW) 进行多模式病理图像搜索的方法，并将其馈送到排名选择投票方案中，以检索与查询 H&E 幻灯片最相似的多重免疫荧光成像 (mIF)。通过训练 VAE 和应用 DTW，我们对齐并比较 mIF 和 H&E 幻灯片，从而融合了形态学 H&E 数据和来自 mIF 的免疫表型，从而提供了丰富的疾病状态视角，可能 彻底改变诊断过程，提高精度并实现个性化治疗选择的能力。

Jun, 2023

通过高内容显微镜筛选从细胞表型中推断生物关系在生物研究中提供了重要的机遇和挑战。该研究探讨了在更大数据集上训练更大模型时，弱监督和自监督深度学习方法的可扩展性。结果显示，基于 CNN 和 ViT 的掩蔽自编码器在表型推断方面明显优于弱监督模型。在我们的尺度上限，通过来自 9500 万显微镜图像的 35 亿个独特裁剪样本训练的 ViT-L/8 相对于从公共数据库中整理的已知生物关系的最佳弱监督模型的相对改善率达到了 28%。

Sep, 2023

本文提出了一种使用深度学习自编码器的无监督学习模型来检测和分类基因表达相似的显微镜图像区域，该模型通过平衡潜在层的长度和复杂性来进行优化，模型的性能通过适应均方误差度量值进行验证，并与专家的评估进行比较。

Apr, 2023

我们开发了一个透明的计算机大规模成像框架，可以区分正常和转移的人类细胞。该方法依赖于荧光显微镜图像，显示正常和转移的单个细胞中肌动蛋白和微丝蛋白丝的空间组织，并结合多重关注通道网络和全局可解释技术。通过深度学习网络和新的多重关注通道架构，我们对网络的可解释性进行了增强，并开发了一种可解释的全局可解释方法，将细胞图像的加权几何平均值与局部 GradCam 分数进行相关联。通过我们的分析结果，我们首次能够更详细、更具生物学意义地理解由正常细胞转变为侵袭和转移细胞伴随的细胞骨架变化。我们还为未来诊断工具开发铺平了一条可能的空间微米级生物标志物的道路（微丝蛋白的空间分布）。

Sep, 2023

在生物研究中，将显微镜图像分析成特征仍然是一个重大挑战。本研究探讨了弱监督分类器和自监督掩码自编码器（MAEs）在使用越来越大的模型和显微镜数据集进行训练时的伸缩性能。我们的研究结果表明，基于 ViT 的 MAEs 在多项任务上优于弱监督分类器，在从公共数据库中获取的已知生物关系的召回中相对改进了 11.5%。此外，我们还开发了一种新的通道无关的 MAE 架构（CA-MAE），可以在推理时输入具有不同通道数和顺序的图像。我们证明了 CA-MAEs 通过在具有不同实验条件和通道结构的显微镜图像数据集（JUMP-CP）上进行推断和评估的方法有效地泛化。我们的发现促使继续在显微镜数据上进行自监督学习的规模扩展研究，以创建能够催化药物发现等领域进展的细胞生物学强大基础模型。

Apr, 2024

我们提出了一种基于可标注效率的对比学习模型（LECL），用于在 3D 免疫荧光图像中检测和分类各种类型的细胞核，该方法克服了使用点注释进行训练时的困境，并采用扩展的最大强度投影方法解决了多个 z 堆叠帧引起的问题。我们在心血管数据集上进行了实验，并发现我们的框架在检测和分类 3D 免疫荧光图像中的各种细胞核方面是有效且高效的。

Sep, 2023

本文介绍了一个新的计算病理学数据集，其中包含八名头颈鳞癌患者的重新染色和共注册数字化图像。该数据集展示了两种染色方法的等效性，为深度学习方法提供了客观的免疫和肿瘤细胞注释，并可用于肿瘤免疫微环境的更可重复和准确的表征。

May, 2023

自动预测无标记透射光输入图像中的荧光标记细胞器是一项重要且困难的任务，本研究介绍了 AGHSSO 团队基于经过精心准备和训练的编码 - 解码深度神经网络在 LightMyCells 挑战中所取得的相当高得分，位居最佳表现团队之一。

Jun, 2024

本研究使用基于深度学习的生成对抗网络模型，将未标记组织样本的自动荧光图像转化为等效于其染色样本的亮场图像，实现了一种免标记虚拟染色的显微镜图像制作方法，有效节约了组织学检查的时间和成本。

Mar, 2018

使用 Image2Omics 深度学习方法，预测细胞群体内来自高含量显微图像的多重荧光染色数据；结果表明，细胞成像可能是多重组学测量的可替代方法。

Jun, 2023