本研究提出了AtlasSeg，一个结合妊娠年龄信息的双U形卷积网络，旨在提高胎儿脑MRI组织分割的准确性。AtlasSeg在多个数据集上表现优于其他网络，显著提升了分割效果，推动了胎儿脑MRI分析的研究。

研究引入了条件隐式神经图谱(CINA)用于生成胎儿脑的时空图谱，CINA可以表示正常和病理性大脑，并适应未见过的被试的脑MRI。通过评估198例胎儿大脑的磁共振图像，证实了CINA在组织分割和年龄预测方面的准确性。

我们开发了一个基于卷积神经网络的组织和笔迹分割模型，通过对200张H&E染色WSI数据集的训练，在组织分割和笔迹分割方面取得了较高的准确性。我们还提出了一种基于聚类的后处理方法，用于分离交叉部分，并证明该方法对于常见的玻片和扫描伪影具有鲁棒性。我们将经过训练的模型参数和后处理方法以SlideSegmenter的Python软件包公开发布。