本文介绍了基于Segment Anything Model (SAM)的细胞核分割方法，包括全自动无提示框架（UN-SAM）和单点提示网络（SPPNet），在生物医学图像分割任务中表现优异，超越了现有技术，具有良好的泛化能力和训练效率。

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。

本文讨论了基于卷积神经网络和其他深度学习架构的细胞核检测与分割方法，强调其在数字病理学中的应用。研究展示了新模型在细胞分割、实例分割和图像识别任务中的优越性能，并提供了相关数据集以支持未来研究。

本文介绍了多种新型深度学习模型在癌症分割中的应用，包括混合多头注意力 U-Net、Wavelet_Attention_UNet 和 OCU-Net。这些模型在脑肿瘤和乳腺癌的分割中表现优异，利用卷积神经网络和注意力机制提高了分割精度，尤其在处理复杂肿瘤边界和细胞核分割方面具有显著优势。

本文综述了将SAM基础模型用于医学与细胞图像分割的研究。研究者通过自动生成点、框等提示，结合微调、弱监督及不确定性矫正等方法，构建PromptUNet、nnSAM、UR-SAM等框架，减少人工提示依赖，在核实例分割和3D多器官CT分割等任务上超越现有方法。

该文综述图神经网络与图Transformer在生物医学图像及单细胞分析中的应用，涵盖GTNs、GCNs、HyperGT、CGC-Net、GTNet等模型，用于节点分类、肿瘤分类、点云分割、细胞类型注释、数据整合及细胞病理报告生成，并指出图神经网络将成为单细胞分析核心工具。

该文综述了数字病理学中细胞核分割与分类的深度学习方法，包括DTALE、分组变换器、多阶段实例分割、自监督预训练、提示框架、NuClick标注工具及NuCLS数据库，旨在提升乳腺癌等疾病诊断的准确性与模型透明度。

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。