本研究针对先天性无神经节病在结肠固有肌层缺乏神经细胞的问题，提出使用视觉变换器（ViT）来进行图像分割，以提高病理图像的定量评估效率。通过与卷积神经网络（CNN）及其他浅层学习方法比较，ViT模型在分割精度和灵敏度上均有所提升，显示了ViT在HD相关图像分析中的应用潜力。

本研究解决了炎症性肠病（IBD）活动性评估中存在的资源限制和观察者之间变异性问题。研究者开发了一种深度学习模型，利用扫描的全切片图像对IBD活动级别进行分类，取得了很好的诊断性能。该模型的应用潜力在于提升病理学家的评估一致性和效率。

本文介绍了多种深度学习模型在结肠癌检测和组织分割中的应用，包括U-Net多任务模型和U-SAM模型，均在不同数据集上表现优异。研究强调数据增强和半监督学习的重要性，并提出新框架以提高息肉图像分割的准确性，为未来临床应用提供基线。

我们的研究旨在通过将人工智能全面整合到结肠胶囊内窥镜的路径中，自动进行图像处理步骤，并自主地检测、定位和表征重要发现，从而消除结肠胶囊内窥镜在临床实践中与光学结肠镜之间的差距。

在高分辨率组织病理学全幻灯片图像中，使用高质量的像素级标注训练神经网络是昂贵的。然而，最近自监督学习的进展表明，可以学习到高度描述性的图像表示，而无需标注。我们研究了最近的分层图像金字塔变换器（HIPT）模型在结直肠活检和息肉分类等特定任务中的应用。在评估 TCGA 学习的特征对原始 HIPT 模型的有效性后，我们使用两种不同策略将结肠活检图像信息纳入 HIPT 的预训练中：（1）从现有的...

本文介绍了多种基于深度学习的结肠息肉图像分割方法，如DDANet、ArSDM和NeouNet等，这些模型在不同数据集上表现出色，展现了良好的泛化能力和高精度，具有重要的医学图像分析应用潜力。

早期检测和评估息肉对结直肠癌预防和治疗至关重要。本文综述了传统算法和基于深度学习网络的息肉分割算法，并介绍了相关数据集和深度学习模型的评估。讨论了该领域的挑战和未来趋势。

该研究提出了一种新的方法，可以从单眼内窥镜获取的图像序列中进行三维重建。研究人员成功地实现了在整个结肠部分产生密封重建的方法，通过考虑内腔的密封性和场景照明的变化。该方法在幻影影像上展示了出色的准确性，为癌症筛查探测的自动质量评估提供了可能。

乳腺癌免疫组化图像生成挑战赛旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。发放的数据集和挑战将激发学者共同研究高质量免疫组化染色图像的生成。