本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

Jan, 2020

提出了一种钩合卷积神经网络（HookNet）模型，用于组织病理学全扫描图像的语义分割，包括多个编码器 - 解码器分支，通过多个解析度的同心圆形补丁将上下文和细节结合起来，并通过钩机制组合中间表示。在乳腺癌组织类型分割和肺癌第三淋巴结结构和生发中心分割任务中，展示了与单分辨率U-Net模型和最近公开的多分辨率模型相比，HookNet的卓越性能。

Jun, 2020

Slideflow是一种灵活的深度学习库，支持数字病理学的广泛深度学习方法，并包括快速的整个幻灯片接口来部署已训练好的模型，同时也具有高度优化的整个幻灯片图像处理等特点。

Apr, 2023

通过扩充临床数据集中的少数样本，提高机器学习模型稳定性的一种新方法——基于扩散模型的图像生成方法，可以生成与真实图像难以区分的组织病理学图像。

Apr, 2023

本文提出了一种利用胶囊网络进行基于弱监督语义分割(WSSS)的新型组织病理学图像分析方法，并使用数字病理学图谱(ADP)数据集对其进行评估。实验结果表明，该模型在准确性和平均交并联度(mIoU)指标方面优于传统方法，凸显了胶囊网络在增强组织病理学图像分析的精度和效率方面的潜力。

Feb, 2024

提出一种混合专家方案，用于从全玻片图像中检测五个显著的伪迹，其中包括受损组织、模糊、折叠组织、气泡和组织学上无关的血液，以提高计算病理学系统的可靠自动化诊断。

Mar, 2024

通过使用多分辨率补丁，在保留原始提示驱动设计、高效性和零时适应性的同时，使用精确的对象分割功能增强了SAM，解决了现有的医学SAM在全尺度图像的多尺度本质上并不适用的限制。

Mar, 2024

本研究提出了一种方法，通过外部库生成和混合艺术品，从而增强给定的组织病理学数据集，以训练艺术品分类方法，从而解决了整个幻灯片图像获取中的伪影问题。

Jun, 2024

基于 BLIP-2 框架，使用病理报告中的精选文本与整张切片图像配对，开发了一种视觉语言模型，实现了共享的图像-文本嵌入空间，如文本或图像检索以寻找感兴趣的案例，以及将 WSI 编码器与冻结的大型语言模型（LLM）集成，以实现基于 WSI 的生成文本能力，如报告生成或 AI 交互。在超过 35 万张 WSI 和诊断文本配对的去标识化数据集上，展示了病理医师对文本生成和文本检索的评估，以及 WSI 分类和工作流程优先级排序（切片级别的分流）。平均来说，根据病理医师的评估，78％的 WSI 的模型生成的文本准确无误、没有临床上显著的错误或遗漏。这项工作展示了语言与 WSI 嵌入相结合的激动人心的潜力能力。

Jun, 2024

本研究针对全片病理图像（WSI）在深度学习诊断中存在的偏差和不纯性问题，提出HistoROI，一个轻量级的深度学习分类器，能有效区分六种组织区域。通过人机互动和主动学习方法进行训练，HistoROI在多个器官上表现出强大的泛化能力，显著提升下游深度学习任务的性能，表明其为病理诊断提供了重要的支持和改进。

Sep, 2024