通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。
Jul, 2017
利用DenseNet-161和ResNet-50预训练CNN模型，通过迁移学习的方法对数字组织病理学补丁进行分类，实验结果表明，这种方法可以自动检测和分类疾病，并在分类效果方面表现出色。
Mar, 2019
本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从130多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。
Dec, 2019
本文介绍了一种极简组织病理学图像分析数据集（MHIST），该数据集是二分类数据集，由 3,152 个大小固定的结直肠息肉图像组成，适用于深度学习。使用 MHIST 数据集进行研究，可以有效地评估探索性想法的性能，有助于提高组织病理学图像分析研究的效率。
Jan, 2021
深度神经网络在组织病理学图像中进行细胞核分割和分类，可以通过自动化细胞计数和形态计量评估帮助病理学家诊断癌症等不同疾病，而训练数据集的大小对深度神经网络的准确性具有重要影响。我们提出的方法是针对具有相关但不相同类别集的多个数据集进行实例分割和分类的深度神经网络训练，通过利用粗到细的类别层次结构并在数据集中使用互斥类别来改善分类性能和推广性能的定量与定性结果。该方法适用于各种损失函数、深度神经网络体系结构和应用领域。
Oct, 2023
建立和评估组织病理学基础模型在自我监督学习中的价值，并发现领域特定方法可以进一步提高性能。
癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤，本研究通过深度学习构建了一个潜在的肿瘤预后分类模型，利用组织病理学图像中有价值的信息，选择了PatchCamelyon基准数据集，训练了多层感知器和卷积模型，并评估了其精确度、召回率、F1得分、准确度和AUC得分，结果显示基准卷积模型表现优于基准多层感知器模型。此外，本文还引入了ResNet50和InceptionNet模型，并使用数据增强，其中ResNet50能够超越最先进的模型，最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。
Nov, 2023
通过使用深度学习技术和数据集蒸馏方法，我们构建了一个小型合成数据集，其中包含最具信息量的人可读的合成图像，用于进行下游分类模型训练，并获得适用于实际应用的性能表现。
Jun, 2024
我们提出了一种新颖的生成方法用于组织病理学图像的领域泛化，通过使用一种生成的自监督视觉转换器从图像片段中提取特征，并将它们无缝地融合到原始图像中，从而创建具有不同属性的新颖的合成图像，丰富数据集，从而提高深度学习模型在未见领域中的泛化能力。
Jul, 2024
提出了一个新颖的DeepCMorph模型，通过预训练学习细胞形态学并识别大量不同的癌症类型，取得了与之前的解决方案相比超过4%的82%准确率，并展示了该预训练模型在小样本显微镜数据集上的优越性能。