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

本文通过引入WBC显微图像的综合标注，解释了XAI在医学领域中的重要性和对基于图像的WBC细胞识别技术的提升，进一步促进了病理和血液学领域的发展。

Jun, 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

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

血液病学中，计算模型具有显著的潜力，以提高诊断准确性、简化工作流程，并减少分析外周血细胞或骨髓涂片中的单个细胞的乏味工作。为解决大数据量效应不明显、数据集规模小以及从自然图像转移学习性能差的问题，我们介绍DinoBloom，这是血液病学中首个基于单个细胞图像的基础模型，利用了定制的DINOv2流程。我们的模型基于13个多样化的公开数据集构建而成，包含了迄今为止最大的血液病学开源队列，包括超过380,000个白细胞图像的外周血和骨髓涂片。我们评估其泛化能力时，使用具有挑战性的域转移的外部数据集进行测试。我们展示了我们的模型在血液和骨髓涂片的细胞类型分类方面，在线性探测和K近邻评估，以及通过弱监督多实例学习对急性髓系白血病亚型进行分类方面，都优于现有的医学和非医学视觉模型。DinoBloom系列模型（small、base、large和giant）可以适应各种下游应用，并成为分类问题的一个强有力的基线，同时有助于评估新数据集中的大数据批次效应。所有模型均可在github.com/marrlab/DinoBloom上获取。

Apr, 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

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

新提出SCKansformer模型在骨髓血液细胞方面具有更高的分类准确性和效率，超过传统和先进的微细胞分类方法。

Jun, 2024

通过使用MaxVit，EfficientVit，EfficientNet，EfficientNetV2和MobileNetV3等最新的高效架构，本研究旨在评估这些模型在白细胞分类中的性能，为当前方法提供更高效、可靠的替代方案，并探索创新的深度学习模型在血液分析中的应用。

Jun, 2024

本研究解决了血细胞分类中因实验室程序和环境变化导致的模型泛化性能下降问题。提出了一种新的领域不变表示学习框架，利用Segment Anything模型提取无监督的领域不变表示，显著改善了跨领域分类性能。实验结果表明，该框架在多个数据集上超越现有方法，具有重要的潜在影响。

Aug, 2024