通过深度学习方法，我们提出了一种自动化的血细胞分类和计数系统，利用 U-Net 模型进行血细胞分割，并应用 BloodCell-Net 方法对血细胞进行分类，实现了令人印象深刻的性能指标。

Apr, 2024

人体血液细胞分类对于疾病识别至关重要，通过使用卷积神经网络和迁移学习技术，本研究提出了一种新的基于卷积神经网络的框架，成功实现了对血液细胞的准确分类，并在所采用的数据集上达到了 99.91% 的准确率。

Aug, 2023

通过机器学习和深度学习模型应用于医学图像分析，本研究主要关注白细胞分类的现代技术，并提供了有关最常用的技术和最佳白细胞分类方法的宝贵见解，同时指出了数据集可用性、研究人员医学培训和使用高级深度学习网络的挑战。

Aug, 2023

使用 HemaX 模型，通过五个属性（粒度、细胞质颜色、细胞核形状、相对红细胞大小和核质比）进行细胞分类、定位和分割，并以类似病理学家的解释进行解释，表现出令人印象深刻的分类准确性和细胞定位的 Jaccard 指数，并且在生成解释方面也表现良好。

Oct, 2023

数字病理学发展迅速，结合人工智能、深度学习和高性能计算等技术的进步，可以提高和加速诊断过程，减少人为错误，并简化报告步骤。本文提出了一个新的大型红细胞（RBC）图像数据集，并提出了一个两阶段的深度学习框架用于 RBC 图像分割和分类，采用 U-Net 模型进行自动 RBC 图像分割，并使用 EfficientNetB0 模型进行 RBC 图像分类，取得了 98.03％的 IoU 和 96.5％的平均分类准确率。与其他知名 CNN 模型进行的实验比较表明，该模型在性能和计算成本之间取得了良好的平衡。

Mar, 2024

白细胞分类的新颖方法基于神经元细胞自动机 (NCA)，在三个白细胞图像数据集上测试表明我们的方法在与常规方法的竞争性能方面取得了良好的结果，该架构天然可解释，提供了对每个分类决策过程的洞见，帮助专家理解和验证模型预测，结果表明 NCA 不仅可以用于图像分类，还能解决常规方法的关键挑战，显示高潜力可应用于临床实践。

Apr, 2024

这项研究探讨了无标记法对白细胞自动分类的置信度估计的校准，比较了不同的可视化解释方法，并且在血细胞分析的不同场景中展示了这些方法的实用性。

Nov, 2023

我们的研究聚焦于通过检查眼底图像中的视网膜血管进行疾病的早期诊断。我们利用八个预训练的 CNN 模型进行基于深度学习的分类，同时应用了可解释的 AI 技术，如 Grad-CAM、Grad-CAM++、Score-CAM、Faster Score-CAM 和 Layer CAM。通过对多个模型进行评估，我们发现 ResNet101 具有最高的准确率（94.17%），而 EfficientNetB0 的准确率最低（88.33%）。对于图像分割，Swin-Unet 表现出 86.19% 的平均像素准确率，而 Attention U-Net 基于 DenseNet201 的准确率最低（75.87%）。

May, 2024

本研究基于深度卷积神经网络开发了计算方法，用于乳腺癌组织病理图像分类，包括四类和两类（用于检测癌变）分类任务，在高灵敏度操作点上，我们报告了 93.8% 的准确性，97.3% 的 AUC 和 96.5/88.0% 的敏感性 / 特异性，超过了其他常见的自动组织病理学图像分类方法。

Feb, 2018

本文介绍了一种针对不同细胞域之间数据分布不平衡和因噪声、神经元元素变化等因素引起的域移动问题的深度卷积神经网络。该方法在精确识别细胞分类方面表现出色，为实验室和诊所的应用提供了坚实的基础。

Mar, 2023