本论文提出了一种基于CNN的方法NuClick，可以快速收集核、细胞，以及腺体细胞等许多应用于计算机病理学/细胞学的计算机处理对象的注释，并提出了一种新的引导信号，使NuClick能够分割腺体的边界。在实验证明，NuClick能够适应不同的目标尺度，对用户输入的不同变化具有强大的鲁棒性，并且提供可靠的标注，对它标准产生的实例分割模型在LYON19挑战中获得了第一名。

May, 2020

介绍了一种基于Vision Transformer的新方法CellViT，利用大规模的预训练模型，在PanNuke数据集上实现对细胞核的自动检测和实例分割的最新性能，并获得了0.51的平均全景质量和0.83的F1检测分数。

Jun, 2023

本文提出了一种基于深度学习的端到端框架，用于自动分割染有尼氏小体的脑组织组织切片中的单个神经元细胞，并测试在细胞实例分割方面的性能表现优于其他深度学习方法。

Jun, 2023

Fluorescent Neuronal Cells v2是一组荧光显微镜图像和相应的真实验证注释，旨在促进生命科学和深度学习领域的创新研究。

Jul, 2023

细胞分割是显微图像中定量单细胞分析的关键步骤，现有的细胞分割方法通常针对特定模态或需要手动干预以指定不同实验设置中的超参数。本研究提出了一个多模态细胞分割基准，包括超过1500个带标签图像，来自50多个不同的生物实验。前几名的参与者开发了一种基于Transformer的深度学习算法，不仅超越了现有方法，还可以应用于不同显微成像平台和组织类型的各种显微图像，无需手动参数调整。这个基准和改进的算法为显微成像中更准确和多功能的细胞分析提供了有希望的途径。

Aug, 2023

通过引入附加的解码器头部使用独立的加权损失函数，该研究提出了对数字组织学中核的同时实例分割和分类的多阶段方法，以在高质量实例分割和核分类方面取得了显著的性能改进，并且在19种类型的组织上具有广泛的适用性和较低的复杂性。

Aug, 2023

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

我们介绍了一种自我监督的方法，用于检测大脑皮层的2D尼氏染色的组织切片中的层次结构，该方法可以加速细胞构造分析，避免注释需求并推进跨物种研究。

Nov, 2023

我们提出的新的 Cyto R-CNN 架构在整个细胞分割方面优于现有算法，同时提供比任何其他模型更可靠的细胞测量，这可能改善数字病理学工作流程，进而提高诊断水平。此外，我们发布的数据集可以用于未来的模型开发。

Jan, 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。

Jul, 2024