本研究提出了一种新方法，关注细胞核形态和组织，以提高计算病理学中癌症检测的泛化能力。结果表明，该方法在多个数据集上显著增强了鲁棒性。

本文提出了一个称为all-in-SAM的流程，通过将SAM用于整个AI开发工作流（从注释生成到模型微调），而无需在推理阶段使用手动提示。实验结果表明，all-in-SAM在生物医学图像分割任务中表现优异，并且使用弱注释进行SAM微调的性能具有竞争力。

手工注释伍西葡萄染色图像中的细胞核是一项费力且昂贵的任务。本研究调研了细胞核例子分割和分类中的上下文和注意方法，并讨论了其中的挑战，同时提出了未来研究的想法。通过将上下文和注意机制引入已有方法，并在多中心结肠细胞核识别和计数数据集上进行比较分析，展示了当前方法的一些局限性。然而，要充分利用这些机制，还需要关注这些方法的科学理解。

我们提出了一种基于可标注效率的对比学习模型（LECL），用于检测和分类3D免疫荧光图像中的细胞核。该方法克服了使用点注释进行训练时的困境，并解决了多个z堆叠帧引起的问题。实验结果表明，该框架在检测和分类3D免疫荧光图像中的细胞核方面是有效且高效的。

本文提出了一种将U-Net架构与DenseNet-121主干相结合的分割方法，利用两者的优势捕捉全面的上下文和空间信息。实验结果显示该模型在组织病理学图像分析和癌症诊断方面具有潜力。

本文介绍了all-in-SAM流程，通过在整个AI开发工作流中使用SAM，无需手动提示，取代了在推理阶段使用提示的方法。实验证明，all-in-SAM在生物医学图像分割任务中表现优异，超越了最先进的方法，并且使用弱注释进行SAM微调的结果也具有竞争力。

本文提出了一种基于细胞图变换器的新方法，通过处理细胞图中的节点和边缘作为输入标记，实现了可学习的邻接和信息交换，结合拓扑感知的预训练方法，显著提高了核分类结果并达到了最先进的性能。

该研究提出了一种基于细胞核感知的自监督预训练框架，通过无配对图像转换来捕获细胞核形态和分布信息，并采用条件和随机样式表示来调节生成过程，以实现预训练图像的真实性和多样性。实验结果表明，该方法在多个任务上优于有监督和其他自监督方法。

建议使用无人值守的多阶段分割方法进行细胞核的自动、快速、无监督分割，并利用该方法的定量相位信息来介绍新的细胞质和细胞核特征，以提高细胞学诊断的可行性和可解释性。

该文介绍了一种针对多个具有相关但不相同类别集的数据集进行实例分割和分类的深度神经网络训练方法，适用于各种损失函数、深度神经网络体系结构和应用领域。该方法利用类别层次结构和互斥类别来改善分类性能和推广性能的结果。

该文介绍了一种基于异构图的框架，利用细胞核的不同类型之间的相互关系进行WSI分析。该框架采用了新的异构图边属性转换器和基于伪标签的语义一致汇聚机制，并采用因果驱动的方法来解决现有关联定位方法的局限性。实验证明，该框架在各种任务上相比现有方法具有显著的优势。

本文介绍了all-in-SAM流程，通过在整个AI开发工作流中使用SAM，无需手动提示即可进行推理。该方法在生物医学图像分割任务中表现出色，超越了最先进的方法，并使用弱注释进行SAM微调的实验结果表明其性能具有竞争力。

该研究提出了一种多阶段方法，通过引入附加的解码器头部和独立的加权损失函数，实现了数字组织学中核的同时实例分割和分类。该方法在高质量实例分割和核分类方面取得了显著的性能改进，并且适用于19种类型的组织，具有较低的复杂性。