异构图像的多实例学习：训练一个用于历史学的CNN

虚拟染色在乳腺组织学中的应用

Virtual staining for mitosis detection in Breast Histopathology

Radboudumc（拉德堡德大学医学中心）；Radboud University（拉德堡德大学）；Fraunhofer MeVis（弗劳恩霍夫MeVis研究所）

我们提出了一种基于生成对抗网络的虚拟染色方法，将乳腺癌组织的组织病理学图像从H&E染色映射到PHH3，反之亦然。我们使用由此产生的合成图像来构建卷积神经网络（CNN），用于自动检测有丝分裂像，这是一种用于常规乳腺癌诊断和分级的强预后生物标志物。我们提出了几种方案，其中用合成生成的组织病理学图像训练的CNN与用真实图像训练的相同基线模型表现相当，甚至更好。我们讨论了这个应用程序的潜力，以规模的训练样本的数量，而不需要手动注释。

2020-03-17cs.CVeess.IV

基于分层条件随机场的胃组织病理学图像分类注意力机制方法

A Hierarchical Conditional Random Field-based Attention Mechanism Approach for Gastric Histopathology Image Classification

Northeastern University（东北大学）；Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所）；Stevens Institute of Technology（史蒂文斯理工学院）；China Medical University（中国医科大学）；Liaoning Cancer Hospital and Institute（辽宁省肿瘤医院暨研究所）；Chengdu University of Information Technology（成都信息工程大学）

在胃组织学图像分类（GHIC）任务中，图像中不可避免地存在冗余信息，这通常是一种弱监督学习任务。因此，设计能够专注于有效区分特征的网络已成为热门研究课题。为了更好地完成GHIC的任务，辅助病理学家进行临床诊断，提出了一种基于分层条件随机场的注意力机制（HCRF-AM）模型。HCRF-AM模型由注意力机制（AM）模块和图像分类（IC）模块组成。在AM模块中，建立了HCRF模型来提取注意区域。在IC模块中，使用所选择的关注区域来训练卷积神经网络（CNN）模型，然后应用称为基于分类概率的包围学习的算法来从CNN的块级输出获得图像级结果。在实验中，在700幅图像的胃组织病理学数据集上实现了96.67%的分类特异性。我们的HCRF-AM模型表现出很高的分类性能，并显示其在GHIC领域的有效性和未来的潜力。

2021-04-22cs.CV

基于卷积神经网络（CNN）的肺癌组织学图像分类

Classification of Histopathology Images of Lung Cancer Using Convolutional Neural Network (CNN)

癌症是人体内异常细胞无法控制的细胞分裂，可扩散到其他身体器官。它是非传染性疾病（NCD）之一，NCD占全球总死亡人数的71%，而肺癌是女性乳腺癌之后第二大诊断癌症。肺癌的生存率只有19%。肺癌的诊断有多种方法，如X线、CT扫描、PET-CT扫描、支气管镜检查和活检。然而，基于组织类型H和E染色来了解肺癌的亚型被广泛使用，其中染色是在从活检抽吸的组织上进行的。有研究报道，组织学类型与肺癌的预后和治疗有关。因此，肺癌组织学的早期和准确检测是迫切需要的，并且由于其治疗取决于组织学类型，分子谱和疾病的阶段，因此分析肺癌的组织病理学图像是最重要的。因此，为了加快肺癌诊断的重要过程并减轻病理学家的负担，使用了深度学习技术。这些技术在分析癌症的组织病理学载玻片中显示出改进的功效。几项研究报告了卷积神经网络（CNN）在各种癌症类型（如脑癌、皮肤癌、乳腺癌、肺癌、结直肠癌）的组织病理学图像分类中的重要性。本研究使用ResNet 50、VGG-19、Inception_ResNet_V2和DenseNet对肺癌图像（正常、腺癌和鳞状细胞癌）进行三类分类，用于特征提取和三重丢失，以指导CNN，从而增加类间距离并减少类内距离。

2021-12-27cs.CVeess.IV

基于迁移学习的组织学图像自动分类

Automated Classification of Histopathology Images Using Transfer Learning

Munzur University（蒙祖尔大学）

迫切需要自动化系统来提高诊断质量并减少组织病理学图像处理中的分析时间。利用计算机辅助诊断系统对病理组织特征进行自动检测和分类是疾病早期诊断和治疗的关键步骤。一旦病理图像被显微镜扫描并加载到计算机上，它就可以用于疾病的自动检测和分类。在这项研究中，DenseNet-161和ResNet-50预训练的CNN模型已被用于通过迁移学习技术将数字组织病理学块分类到相应的整个载玻片图像中。在灰度和彩色组织病理学图像上测试了所提出的预训练模型。DenseNet-161预训练模型使用灰度图像实现了97.89%的分类准确率，ResNet-50模型对彩色图像的分类准确率为98.87%。所提出的预训练模型在所有性能指标上都优于最先进的方法，可以将数字病理学补丁分类为24个类别。

2019-11-21cs.CV

多模态融合组织病理图像与电子健康记录用于早期乳腺癌诊断

Multimodal Fusion of Histopathology Images and Electronic Health Records for Early Breast Cancer Diagnosis

University of Sheffield（谢菲尔德大学）；University of Chester（切斯特大学）

本文提出整合BreCaHAD数据集的病理特征与MIMIC-IV的临床数据的多模态框架，通过训练单模态模型和中间融合模型提升乳腺癌早期诊断的准确性和透明度。

2026-04-18cs.CV

基于卷积神经网络的染色归一化乳腺组织学图像识别

Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection

Center for Wireless Networks & Applications (WNA), Amrita Vishwa Vidyapeetham（阿姆里塔·维什瓦·维迪亚皮塔姆大学无线网络与应用中心）；Valeo（法雷奥）；Department of Computer Science and Engineering, Amrita Vishwa Vidyapeetham（阿姆里塔·维什瓦·维迪亚皮塔姆大学计算机科学与工程系）；School of Computing and Electrical Engineering, IIT Mandi（印度理工学院曼迪分校计算与电气工程学院）

数字病理学中的计算机辅助诊断正变得无处不在，因为它可以提供更有效和客观的医疗诊断。最近的进展表明，卷积神经网络（CNN）架构是一种成熟的深度学习范式，可用于设计用于乳腺癌检测的计算机辅助诊断（CAD）系统。然而，由于染色可变性和染色归一化与这种深度学习框架的影响所带来的挑战尚未得到很好的探索。此外，对于高通量筛选可能很重要的可以说更有效的网络模型的性能分析也没有得到很好的探索。我们考虑了一些当代的CNN模型，用于乳腺组织病理学图像的二进制分类，包括（1）使用自适应颜色去卷积（ACD）对染色归一化图像进行数据预处理基于颜色归一化算法来处理染色可变性;以及（2）应用基于迁移学习的一些可以说更有效的CNN模型的训练，即视觉几何组网络（VGG 16），MobileNet和EfficientNet。我们已经在公开可用的BreakHis数据集上验证了经过训练的CNN网络，用于200倍和400倍放大的组织病理学图像。实验分析表明，在大多数情况下，预训练的网络在染色归一化的数据增强乳腺组织病理学图像上产生更好的质量结果，而不是没有染色归一化的情况。此外，我们使用染色归一化图像评估了流行的轻量级网络的性能和效率，发现EfficientNet在测试准确性和F1得分方面优于VGG 16和MobileNet。我们观察到，在测试时间方面，EfficientNet的效率优于其他网络; VGG Net，Mobi…

2022-01-04cs.CVeess.IV

基于两步领域自适应的组织学图像有丝分裂细胞检测

Two-step Domain Adaptation for Mitosis Cell Detection in Histopathology Images

Shiraz University of Technology（设拉子理工大学）；National Brain Mapping Laboratory（国家脑图谱实验室）

提出了一种基于Faster RCNN和卷积神经网络（CNN）的两步区域平移不变有丝分裂细胞检测方法。我们使用染色增强技术生成现有组织病理学图像的各种域转移版本，使我们的方法能够有效地学习各种染色域并实现更好的泛化。在MIDOG-2021挑战的初步测试数据集上评估了我们方法的性能。实验结果表明，所提出的有丝分裂检测方法可以实现有前途的性能域移位的组织病理学图像。

2021-09-27cs.CVeess.IV

Histographs：Histology中的图表

Histographs: Graphs in Histopathology

Indian Institute of Technology Bombay（印度理工学院孟买分校）；University of Illinois（伊利诺伊大学）

各种类型的细胞（例如肿瘤浸润淋巴细胞和肿瘤的前进边缘）的空间排列是用于检测和表征癌症的重要特征。然而，卷积神经网络（CNN）并没有明确地从组织病理学图像中提取细胞空间排列的复杂特征。在这项工作中，我们建议使用图卷积网络（GCN）对癌症进行分类，方法是将组织切片建模为其组成细胞的多属性空间图。在H&E染色的组织图像中使用细胞核检测细胞，并且每个细胞的外观被捕获为多属性的高维顶点特征。相邻单元之间的空间关系被捕获为基于它们在图中的距离的边缘特征。我们通过在BACH乳腺癌数据集上获得与CNN（特别是Inception-v3）竞争的分类准确性来证明这种方法的实用性，这两项任务是癌性与非癌性以及原位与侵入性。

2019-08-14cs.CVeess.IV

贝叶斯神经网络分类器量化乳腺病理图像不确定性的解释与应用

Explanation and Use of Uncertainty Quantified by Bayesian Neural Network Classifiers for Breast Histopathology Images

Michigan Technological University（密歇根理工大学）

尽管基于卷积神经网络（CNN）的组织病理学图像分类模型的承诺，它是不可行的，以量化其不确定性。此外，当数据有偏差时，CNN可能会遭受过拟合。我们证明了贝叶斯CNN可以通过自动正则化和量化不确定性来克服这些限制。我们已经开发了一种新的技术来利用贝叶斯CNN提供的不确定性，该技术显著提高了大部分测试数据的性能（在77%的测试数据上提高了约6%的准确性）。此外，我们提供了一个新的解释的不确定性，通过投影数据到一个低维空间，通过非线性降维技术。这种降维使得能够通过可视化来解释测试数据，并揭示低维特征空间中的数据结构。我们表明，Bayesian-CNN可以表现得比最先进的迁移学习CNN（TL-CNN）更好，分别减少了11%和7.7%的假阴性和假阳性。它仅用186万个参数就实现了这一性能，而TL-CNN的参数为1.3433亿。此外，我们通过引入随机自适应激活函数来修改Bayesian-CNN。修改后的Bayesian-CNN在所有性能指标上的表现都略好于Bayesian-CNN，并显着减少了假阴性和假阳性的数量（两者都减少了3%）。我们还表明，这些结果是统计上显着的，通过执行McNemar的统计显著性检验。这项工作显示了Bayesian-CNN相对于最先进技术的优势，解释并利用了组织病理学图像的不确定性。它应该在各种医学图像分类中找到应用。

2021-11-05cs.CVcs.LGeess.IV

正-无标记学习用于不完整注释的组织病理学图像中的二值和多类细胞检测

Positive-unlabeled learning for binary and multi-class cell detection in histopathology images with incomplete annotations

Beijing Institute of Technology（北京理工大学）；North China University of Technology（北方工业大学）；Beijing Tiantan Hospital, Capital Medical University（首都医科大学附属北京天坛医院）

组织病理学图像中的细胞检测是临床实践和研究的重要内容，卷积神经网络（CNN）在细胞检测方面取得了显著的效果。通常，为了训练基于CNN的细胞检测模型，训练图像中的每个阳性实例都需要被注释，并且未被标记为阳性的实例被认为是阴性样本。然而，由于细胞的数量和多样性，手动细胞注释是复杂的，并且可能难以确保每个阳性实例的注释。在许多情况下，只有不完整的注释可用，其中一些阳性实例被注释而其他实例没有，并且典型网络训练中阴性样本的分类损失项变得不正确。在这项工作中，为了解决不完整注释的问题，我们建议将检测网络的训练重新表述为正未标记学习问题。由于未注释区域中的实例可以是正的或负的，因此它们具有未知的标签。使用未知标签的样本和正标记的样本，我们首先推导出一个近似的分类损失项对应于二进制细胞检测的负样本，并在此基础上，我们进一步扩展所提出的框架，多类细胞检测。为了评估，在四个公开可用的数据集上进行实验。实验结果表明，我们的方法提高了细胞检测的性能，在组织病理学图像不完整的注释网络训练。

2023-02-16cs.CV

一种专家混合（MoE）模型，用于在组织病理学图像模糊程度变化的情况下提升基于AI的计算病理学预测性能

A Mixture of Experts (MoE) model to improve AI-based computational pathology prediction performance under variable levels of histopathology image blur

Karolinska Institutet（卡罗林斯卡学院）

本文提出专家混合（MoE）策略，通过组合不同模糊水平数据训练的专家模型，显著提升组织病理学图像模糊条件下基于AI的预测性能，并在乳腺癌WSI分级和IHC预测任务中验证了其优于基线模型的效果。

2025-07-18cs.CVeess.IV

使用视觉Transformer对结肠组织病理学图像中的肌层固有层进行分割以用于先天性巨结肠症

Segmentation of Muscularis Propria in Colon Histopathology Images Using Vision Transformers for Hirschsprung's Disease

Carleton University（卡尔顿大学）；Children’s Hospital of Eastern Ontario (CHEO)（东安大略儿童医院（CHEO））

本研究将视觉Transformer应用于先天性巨结肠症结肠组织病理图像中的肌层固有层分割，其DICE分数和神经丛包含率均优于CNN及k均值聚类方法，证明ViT在该任务中具有显著优势。

2024-12-29cs.AIcs.CVeess.IV

旋转平移等变卷积网络在历史学图像分析中的应用

Roto-Translation Equivariant Convolutional Networks: Application to Histopathology Image Analysis

Eindhoven University of Technology（埃因霍温理工大学）

旋转不变性是用于医学图像分析并且特别是用于计算病理学应用的机器学习模型的期望属性。我们提出了一个框架来编码卷积网络中特殊欧几里得运动组SE（2）的几何结构，通过引入SE（2）组卷积层来产生平移和旋转等方差。这种结构使模型能够学习具有离散化方向维度的特征表示，以保证其输出在离散旋转集下不变。传统的旋转不变性方法主要依赖于数据增强，但这并不能保证当输入旋转时输出的鲁棒性。因此，经过训练的传统CNN可能需要测试时旋转增强才能达到其全部能力。这项研究的重点是组织病理学图像分析的应用程序，它是可取的，成像组织的任意全局方向信息不被捕获的机器学习模型。三个不同的组织病理学图像分析任务（有丝分裂检测，细胞核分割和肿瘤分类）的建议框架进行评估。我们对每个问题进行了比较分析，并表明使用所提出的框架时可以实现性能的一致提高。

2020-02-20cs.CV

无需提示的轻量级SAM适应用于病理学核分割的强跨数据集泛化

Prompt-Free Lightweight SAM Adaptation for Histopathology Nuclei Segmentation with Strong Cross-Dataset Generalization

School of Information and Communication Technology, Griffith University, QLD, Australia（信息与通信技术学院，格里菲斯大学，昆士兰，澳大利亚）；School of MDP -- Clinical Medicine, Griffith University, QLD, Australia（MDP临床医学学院，格里菲斯大学，昆士兰，澳大利亚）

本文提出一种无需提示的轻量级SAM适应方法，通过多级编码器特征和残差解码实现高效准确的核分割，实验表明其在三个基准数据集上表现优异，具有强跨数据集泛化能力。

2026-03-20cs.CV

用于历史学图像分类的卷积神经网络：训练与使用预训练网络

Convolutional Neural Networks for Histopathology Image Classification: Training vs. Using Pre-Trained Networks

University of Waterloo（滑铁卢大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）

我们探讨的问题，在医学图像数据集的基础上，从最深层的预训练卷积神经网络提取的特征向量的分类。我们使用了来自几个预训练结构的特征向量，包括具有/不具有迁移学习的网络，以评估预训练深度特征与由特定数据集训练的CNN的性能，以及迁移学习对少量样本的影响。所有实验均在Kimia Path 24数据集上完成，该数据集由24个组织纹理类中的27，055个组织病理学训练块以及1，325个用于评估的测试块组成。结果表明，预先训练的网络与从头开始训练的网络相比具有相当大的竞争力。同样，微调似乎并没有为VGG 16增加任何有形的改进来证明额外的训练是合理的，而当我们微调Inception结构时，我们观察到检索和分类准确性有了相当大的提高。

2017-10-11cs.CV

用于数字病理学的旋转等变CNN

Rotation Equivariant CNNs for Digital Pathology

University of Amsterdam（阿姆斯特丹大学）

我们提出了一个新的数字病理学分割模型，基于观察，组织病理学图像是固有的旋转和反射下的对称。利用最近关于旋转等变CNN的研究结果，所提出的模型以原则性的方式利用这些对称性。我们提出了一个可视化的分析，显示了改进的稳定性预测，并证明了利用旋转等方差显着提高肿瘤检测性能的一个具有挑战性的淋巴结转移数据集。我们进一步提出了一个新的衍生数据集，使机器学习模型的原则性比较，结合初始基准。通过这个数据集，组织病理学诊断的任务成为基础机器学习研究的一个具有挑战性的基准。

2018-06-08cs.CVcs.LGstat.ML

CNN、BoVW和LBP在组织学图像分类中的比较研究

A Comparative Study of CNN, BoVW and LBP for Classification of Histopathological Images

University of Waterloo（滑铁卢大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）；Nanjing University of Science & Technology（南京理工大学）

尽管在医学成像领域取得了进展，但它仍然是一个开放的研究领域，特别是由于各种成像方式和疾病特异性特征。本文是一项比较研究，描述了使用本地二进制模式（LBP），深功能和袋的视觉词（BoVW）计划的组织病理学图像的分类的潜力。我们引入了一个新的数据集，\emph{KIMIA Path960}，其中包含960个组织病理学图像属于20个不同的类（不同的组织类型）。我们公开了这个数据集。数据集的小尺寸及其类间和类内的可变性使其非常适合在组织病理学等复杂医学成像病例中比较图像描述符进行搜索和分类时进行初步调查。我们研究了深度特征、LBP直方图和BoVW，通过留一法验证对图像进行分类。使用LBP获得的图像分类的准确率为90.62%，而使用深度特征的最高准确率达到94.72%。字典法（BoVW）达到96.50%。深度解决方案可能能够提供更高的精度，但它们需要大量（平衡）图像数据集的广泛训练。

2017-09-27cs.CV

用于MItosis DOmain泛化的域自适应级联R-CNN（MIDOG）挑战

Domain Adaptive Cascade R-CNN for MItosis DOmain Generalization (MIDOG) Challenge

Histo Pathology Diagnostic Center（组织病理诊断中心）；Technical University of Munich（慕尼黑工业大学）

我们总结了用于数字组织病理学图像有丝分裂检测的域自适应级联R-CNN方法。通过全面的数据增强和适应现有的流行检测架构，我们提出的方法在MICCAI 2021的MItosis DOmain Generalization（MIDOG）Challenge中的初步测试集上获得了0.7500的F1分数。

2021-09-29cs.CVeess.IV

组织病理学中的图神经网络：新兴趋势与未来方向

Graph Neural Networks in Histopathology: Emerging Trends and Future Directions

Leiden University Medical Center（莱顿大学医学中心）；Amsterdam University Medical Center（阿姆斯特丹大学医学中心）

本文是组织病理学领域GNNs的综述，梳理其应用现状，通过定量文献分析总结出四大新兴趋势，并提出未来发展方向，为相关研究与实践提供指引。

2024-06-21cs.AIcs.CVcs.LG

利用持续同调卷积进行组织病理切片分类

Classification of Histopathology Slides with Persistent Homology Convolutions

George Mason University（乔治·马歇尔大学）

本文提出利用持续同调卷积对组织病理切片进行分类，通过提取局部拓扑信息提升分类性能。

2026-03-03cs.CVeess.IV

正-无标记学习算法在不完全标注的细胞检测中的应用

Positive-unlabeled Learning for Cell Detection in Histopathology Images with Incomplete Annotations

Beijing Institute of Technology（北京理工大学）；North China University of Technology（北方工业大学）

组织病理学图像中的细胞检测具有重要的临床应用价值。\textit{Convolutional neural networks}（CNN）已经被应用于小区检测以提高检测精度，其中小区注释被要求用于网络训练。然而，由于细胞的多样性和大量性，在训练图像中包括每个感兴趣的细胞的完整注释可能具有挑战性。通常，可以实现不完整的注释，其中仔细检查阳性标记结果以确保其可靠性，但可能存在其他阳性实例，即，感兴趣的细胞，不包括在注释中。这种注释策略导致缺乏关于真阴性样本的知识。大多数现有方法在网络训练期间简单地将未被标记为正面的实例视为真正的负面，这可能会对网络性能产生不利影响。在这项工作中，为了解决不完整注释的问题，我们将检测网络的训练公式化为正未标记学习问题。具体而言，网络训练中的分类损失被修改以考虑不完整的注释，其中对应于负样本的项用真正的正样本和标签未知的其他样本近似。为了评估所提出的方法，在公开的乳腺癌细胞有丝分裂检测数据集上进行了实验，实验结果表明，我们的方法在训练注释不完整的情况下提高了细胞检测的性能。

2021-06-30cs.CV

基于共表达卷积神经网络的组学范围前列腺癌基因表达预测：从组织病理学图像到转录组

Transcriptome-wide prediction of prostate cancer gene expression from histopathology images using co-expression based convolutional neural networks

Karolinska Institutet（卡罗林斯卡学院）；Tampere University（坦佩雷大学）；Science for Life Laboratory（生命科学实验室）

本研究提出一种基于共表达卷积神经网络的高效方法，利用H&E染色全切片图像预测前列腺癌基因表达，首次实现转录组范围分析，并在370例TCGA数据中验证了数千个基因的预测准确性。

2021-04-19cs.CV

历史学图像的深层实例级硬否定挖掘模型

Deep Instance-Level Hard Negative Mining Model for Histopathology Images

The University of Queensland（昆士兰大学）

组织病理学图像分析可以被认为是一个多实例学习（MIL）问题，其中整个切片组织病理学图像（WSI）被视为一袋实例（即补丁），任务是预测WSI的单个类别标签。然而，在许多现实生活中的应用，如计算病理学，发现触发袋标签的关键实例是非常感兴趣的，因为它提供了由系统作出的决定的原因。在本文中，我们提出了一种深度卷积神经网络（CNN）模型，该模型解决了WSI上行李分类的主要任务，并学会识别每个实例的响应，为最终预测提供可解释的结果。我们将注意力机制引入到所提出的模型中，以操作实例的转换并学习注意力权重，从而找到关键补丁。为了执行均衡的训练，我们在每个训练包中引入自适应权重来显式调整权重分布，以便更多地集中于硬样本的贡献。基于学习到的注意力权重，我们进一步开发了一种解决方案，通过生成具有硬否定实例的袋子来提高分类性能。我们对结肠癌和乳腺癌组织病理学数据进行了广泛的实验，并表明我们的框架达到了最先进的性能。

2019-06-27cs.AIcs.CV

用于组织病理学图像以提高乳腺癌诊断分类性能的约简深度卷积激活特征（R-DeCAF）

Reduced Deep Convolutional Activation Features (R-DeCAF) in Histopathology Images to Improve the Classification Performance for Breast Cancer Diagnosis

Institute of Medical Science and Technology, Shahid Beheshti University（沙希德·贝赫什提大学医学科学与技术研究所）

针对乳腺癌组织病理图像分类，本文提出R-DeCAF框架，结合预训练CNN特征提取、PCA降维和SVM二分类，在BreakHis上以更少计算时间将准确率最高提升4.3%。

2023-01-05cs.AIcs.CV

DeepFEL：用于组织学图像分析的深度快餐包围学习

DeepFEL: Deep Fastfood Ensemble Learning for Histopathology Image Analysis

CREATIS（CREATIS实验室）；CNRS（法国国家科学研究中心）；INSERM（法国国家健康与医学研究院）；Université Lyon 1（里昂第一大学）；INSA-Lyon（里昂国立应用科学学院）

计算病理学任务具有一些独特的特征，例如多个千兆像素的图像，繁琐且经常不确定的注释，以及大量病例的不可用性[13]。为了解决其中的一些问题，我们提出了Deep Fastfood Ensembles -一种简单，快速且有效的方法，用于组合从在完全不同的源域上预训练的流行CNN模型中汇集的深度特征（例如，自然图像对象），并使用随机投影投影到不同的维度上，即所谓的快餐[11]。最终的集成输出是通过简单的个体分类器的共识获得的，每个分类器都是在不同的随机基向量集合上训练的。这提供了非常快速而有效的解决方案，特别是当训练时间和域标签至关重要时。我们证明了所提出的深度快餐集成学习的有效性相比，国家的最先进的方法在组织病理学图像分析的三个不同的任务。

2023-01-23cs.CVcs.LGeess.IV

CNN级联用于分割肾脏的全切片图像

CNN Cascades for Segmenting Whole Slide Images of the Kidney

RWTH Aachen University（亚琛工业大学）；University Hospital Aachen（亚琛大学医院）

由于促进组织病理学组织的数字化的全载玻片扫描仪的增加的可用性，存在对基于计算机的图像分析系统的开发的强烈需求。在这项工作中，重点是肾小球的分割，构成了肾脏组织病理学中高度相关的结构，这在与CNN结合之前还没有被研究过。我们提出了两种不同的CNN级联分割应用稀疏对象。将这些方法应用于肾小球分割问题，并与传统的全卷积网络进行比较。总体而言，使用性能最佳的级联方法，单个CNN的性能优于单个CNN，并且获得了0.90的像素级Dice相似系数。结合定性和进一步的对象级分析，所获得的结果被评估为优秀，也与最近的方法相比。总之，我们可以说，特别是所提出的级联网络之一被证明是一个非常强大的工具，用于分割肾小球，提供最佳的分割精度，并保持计算时间在一个较低的水平。

2017-08-01cs.CV

统一放大模型：通过条件归一化和连续放大训练实现高效尺度不变组织病理学分析

One Model to Magnify Them All: Efficient Scale-Invariant Histopathology via Conditional Normalization and Continuous Magnification Training

Sano Centre for Computational Medicine（萨诺计算医学中心）；AGH University of Krakow（克拉科夫AGH大学）；Institute of Informatics, HES-SO Valais-Wallis（瓦莱州瓦利斯高等专业学院信息学研究所）；Faculty of Medicine, University of Geneva (UNIGE)（日内瓦大学医学院）

该研究提出条件层归一化（CLN）结合连续放大训练的单模型，替代多放大倍率模型集成，在PANDA数据集上实现高效尺度不变组织病理学分析，降低成本且性能优异。

2026-08-11cs.CV

单阶段层次化校正用于弱监督组织病理学分割

Single-Stage Hierarchical Rectification for Weakly Supervised Histopathology Segmentation

VinUni-Illinois Smart Health Center, VinUniversity, Hanoi, Vietnam（越南河内VinUniversity VinUni-Illinois智慧健康中心）；The Computer Vision and Medical AI Lab, VinUniversity, Hanoi, Vietnam（越南河内VinUniversity计算机视觉与医学人工智能实验室）；Posts and Telecommunications Institute of Technology, Hanoi, Vietnam（越南河内邮电技术学院）

提出单阶段层次化校正框架，通过层次化特征校正模块在单次训练中直接生成高保真激活图，解决多阶段弱监督分割中的误差传播和计算开销问题。

2026-06-19cs.CV

用于历史学图像分析的深度多分辨率字典学习

Deep Multi-Resolution Dictionary Learning for Histopathology Image Analysis

University of Warwick（华威大学）；Tissue Image Analytics (TIA) Centre, University of Warwick（华威大学组织图像分析中心）

识别存在于多千兆像素组织学图像中的各种类型的组织的问题是用于计算病理学的自下而上分析范例中的肿瘤微环境的下游分析的重要基本先决条件。在本文中，我们提出了一种深度字典学习方法来解决组织学图像中的组织表型问题。我们提出了深度多分辨率字典学习（deepMRDL），以便从多个不同空间分辨率的深度纹理描述符中受益。我们通过对来自不同器官（结直肠癌，乳腺癌和乳腺淋巴结）和任务（即癌症分级，组织表型，肿瘤检测和组织类型分类）的四个基准组织学图像数据集进行广泛的实验，显示了所提出的方法的有效性。我们还表明，该框架可以采用大多数现成的CNN模型来生成有效的深度纹理描述符。

2021-04-01cs.CVcs.LGeess.IV

风险校准学习：在医学AI中最小化致命错误

Risk-Calibrated Learning: Minimizing Fatal Errors in Medical AI

Department of Engineering（工程系）；Universitat Pompeu Fabra（庞培乌法拉大学）

本文提出风险校准学习方法，通过区分视觉模糊与结构性错误，提升医学AI的可靠性，实验表明其在多种影像模态中显著降低关键错误率。

2026-04-14cs.CV

面向乳腺癌分类的主流CNN架构比较分析与集成增强研究

Comparative Analysis and Ensemble Enhancement of Leading CNN Architectures for Breast Cancer Classification

University of Bath（巴斯大学）

本文系统比较主流CNN模型在乳腺癌组织病理图像分类中的表现，通过序列化数据和超参数探索超过2000种训练组合，并提出三模型堆叠集成架构，在BreakHis和Bach数据集上取得高准确率。

2024-10-04cs.AIcs.CV

H& E-对抗网络：一种通过苏木精和曙红回归学习染色不变特征的卷积神经网络

H&E-adversarial network: a convolutional neural network to learn stain-invariant features through Hematoxylin & Eosin regression

Institute of Information Systems, HES-SO (University of Applied Sciences and Arts Western Switzerland)（瑞士西部应用科学与艺术大学 信息系统研究所）；Department of Computer Science, University of Geneva（日内瓦大学 计算机科学系）；Department of Neurosciences, University of Padua（帕多瓦大学 神经科学系）；Inselspital, Bern Hospital（伯尔尼大学医院）；Medical Faculty, University of Geneva（日内瓦大学 医学院）

计算病理学是一个领域，旨在开发算法来自动分析大型数字化组织病理学图像，称为全切片图像（WSI）。WSI是通过扫描薄组织样本产生的，这些薄组织样本被染色以使特定结构可见。由于各医疗中心采用的准备和扫描设置不同，它们显示染色颜色异质性。染色颜色异质性是训练卷积神经网络（CNN）的一个问题，CNN是用于大多数计算病理学任务的最先进算法，因为当在包括与用于训练CNN的数据内的染色变化不同的染色变化的图像上测试时，CNN通常表现不佳。尽管开发了几种方法，染色颜色异质性仍然是一个未解决的挑战，限制了CNN的发展，CNN可以概括来自几个医疗中心的数据。本文旨在提出一种新的方法来训练CNN，以更好地概括包括多种颜色变化的数据。该方法称为H& E对抗CNN，利用H&E矩阵信息在训练过程中学习染色不变特征。结肠和前列腺组织病理学图像的分类，涉及11个异构数据集的方法进行评估，并与其他五种用于处理染色颜色异质性的技术进行比较。与其他算法相比，H& E对抗CNN显示出性能的改善，表明它可以帮助更好地处理染色颜色异构图像。

2022-01-19cs.CVeess.IV

我的组织病理学视觉-语言基础模型有多好？一个整体性基准

How Good is my Histopathology Vision-Language Foundation Model? A Holistic Benchmark

Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Khalifa University（哈利法大学）；Shaukat Khanum Cancer Hospital（肖卡特·卡努姆癌症医院）

本文提出开源综合基准Histo-VL，覆盖多工具、器官、癌症类型与患者队列，系统评估组织病理学VLM的文本敏感性、对抗鲁棒性和校准问题。

2025-03-17cs.CVeess.IV

使用迁移学习和广泛的几何数据增强的多个神经网络的组合用于评估组织病理学图像中的细胞性分数

Combination of multiple neural networks using transfer learning and extensive geometric data augmentation for assessing cellularity scores in histopathology images

Rose-Hulman Institute of Technology（罗斯-霍曼理工学院）；Honeywell FM&T（霍尼韦尔FM&T）

组织样品中癌细胞的分类目前是由病理学家进行的手动过程。这种正确确定癌细胞构成的过程可能是时间密集型的。特别是深度学习（DL）技术在这方面变得越来越受欢迎，因为它们表现出的准确性和性能可以与病理学家相媲美。这项工作研究了两种DL方法在SPIE-AAPM-NCI BreastPathQ挑战数据集中评估全载玻片图像（WSI）中癌细胞结构的能力。通过旋转和将多个架构组合到单个网络中来分析训练对增强数据的影响，使用称为平均预测概率PK的修改的Kendall Tau-b预测概率度量。使用深度、转移学习的卷积神经网络（CNN）InceptionV3作为基线，实现了0.884的平均PK值，显示出比病理学家实现的0.83的平均PK值有所改善。然后在额外的训练数据集上训练网络，这些数据集在1到360度之间旋转，PK的峰值增加高达4.2%。由InceptionV3网络和VGG 16组成的附加架构，一种浅的、转移学习的CNN，被组合在并行架构中。这种并行架构实现了0.907的基线平均PK值，与任一架构的性能相比分别有统计学显著改善（通过非配对t检验，p <0.0001）。

2022-11-09cs.CVeess.IVphysics.med-ph

用于增强骨肉瘤组织病理学图像分类的先进混合深度学习模型

Advanced Hybrid Deep Learning Model for Enhanced Classification of Osteosarcoma Histopathology Images

Austrian Center for Medical Innovation and Technology（奥地利医疗创新与技术中心）；Danube Private University（多瑙河私立大学）；Medical University of Vienna（维也纳医科大学）；Patho im zentrum（中心病理机构）

本研究针对骨肉瘤早期精准诊断需求，提出结合CNN与ViT的混合深度学习模型，融合局部与全局特征经MLP实现四分类，在TCIA数据集上取得超99%的各项指标，树立新基准。

2024-10-29cs.AIcs.CVeess.IV

神经染色归一化与乳腺癌细胞核的无监督分类

Neural Stain Normalization and Unsupervised Classification of Cell Nuclei in Histopathological Breast Cancer Images

在本文中，我们开发了一个完整的管道染色标准化，分割，并在苏木精和伊红（H&E）染色的乳腺癌组织病理学图像的细胞核分类。在第一步中，我们使用基于CNN的染色转移技术来归一化（H&E）图像的染色特征。然后，我们训练一个神经网络从H&E图像分割细胞核的图像。最后，我们训练一个信息最大化生成对抗网络（InfoGAN）来学习不同类型细胞核的视觉表示，并以完全无监督的方式对其进行分类。结果表明，我们提出的CNN染色归一化产生改进的视觉相似性和细胞分割性能相比，传统的基于SVD的染色归一化方法。在我们管道的最后一步，我们展示了基于形态和颜色属性对各种乳腺组织病理学细胞类型进行完全无监督聚类的能力。此外，我们还根据各种定量指标对我们基于神经网络的技术进行了定量评估，以验证我们管道的有效性。

2018-11-09cs.CVq-bio.QM

好的、坏的和脆弱的：病理基础模型的稳健性和泛化基准测试

The Good, the Bad, and the Brittle: Benchmarking Robustness and Generalisation of Histopathology Foundation Models

用REET工具和NR-Kfold协议对12个病理基础模型及ResNet基线进行基准测试，引入PPI分析，表明病理基础模型在稳健性和泛化上优于CNNs，模型扩展收益递减，强调需评估分布变化。

2026-07-07cs.CVcs.LG

ConStruct：用于基于原型的弱监督病理分割的基模态结构蒸馏

ConStruct: Structural Distillation of Foundation Models for Prototype-Based Weakly Supervised Histopathology Segmentation

Ho Chi Minh City University of Technology（胡志明市技术大学）；University of Technology Sydney（悉尼技术大学）；University of Houston（休斯顿大学）；University of Information Technology（信息科技大学）；College of Medical Science and Technology, Taipei Medical University（台北医学院医学科技学院）；Department of Computer Science, Emory University（埃默里大学计算机科学系）；Montefiore Medical Center, Albert Einstein College of Medicine（蒙特福伊医疗中心，阿尔伯特·爱因斯坦医学院）；School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）

ConStruct通过结合CONCH的形态感知表示、SegFormer的多尺度结构线索和文本引导的语义对齐，提出一种高效的弱监督病理分割方法，提升分割精度和计算效率。

2025-12-11cs.CV

高效CNN中异构金字塔感受野的专家式重参数化用于公平医学图像分类

Expert-Like Reparameterization of Heterogeneous Pyramid Receptive Fields in Efficient CNNs for Fair Medical Image Classification

Research Institute of Trustworthy Autonomous Systems and Department of Computer Science and Engineering, Southern University of Science and Technology（可信自主系统研究所和南方科技大学计算机科学与工程系）；Center for High Performance Computing and Shenzhen Key Laboratory of Intelligent Bioinformatics, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（高性能计算中心和深圳智能生物信息学重点实验室，深圳先进技术研究院，中国科学院）；Tomey Corporation（Tomey公司）；Changchun University（长春大学）；School of computer science, University of Nottingham Ningbo China（Nottingham Ningbo中国大学计算机学院）；School of Ophthalmology and Optometry, Wenzhou Medical University（眼科学与视光学学院，温州医科大学）

提出ERoHPRF概念，通过异构金字塔感受野和专家式重参数化，在高效CNN中同时提升医学图像分类性能与公平性，兼顾计算效率。

2025-08-06cs.CV

组织学图像中组织褶皱检测的深度特征

Deep Features for Tissue-Fold Detection in Histopathology Images

Vector Institute（向量研究所）；University of Waterloo（滑铁卢大学）

全载玻片成像（WSI）是指组织标本的数字化，使病理学家能够在监视器上而不是通过显微镜探索高分辨率图像。组织褶皱的形成发生在组织处理期间。它们的存在不仅可能导致失焦数字化，而且在某些情况下还会对诊断产生负面影响。在本文中，我们比较了五个不同深度的预训练卷积神经网络（CNN）作为特征提取器来表征组织褶皱。我们还探索了常见的分类器，以区分苏木精和伊红（H\&E）染色的活检样品中的折叠组织与正常组织。在我们的实验中，我们在$20$ x放大率水平下手动选择大约2.5 mm $\times$ 2.5 mm贴片中的折叠区域作为训练数据。具有201层的"DenseNet“以及SVM分类器的性能优于所有其他配置。基于留一法验证策略，我们实现了$96.3\%$准确度，而随着增强，准确度增加到$97.2\%$。我们已经测试了我们的方法的泛化与五个看不见的WSI从NIH（国家癌症研究所）数据集。分块检测的准确度为$81\%$。图像内的一个折叠块足以标记整个样本以进行目视检查。

2019-03-17cs.CVeess.IV

从组织病理学图像预测分子表型：乳腺癌全转录组表达形态学分析

Predicting molecular phenotypes from histopathology images: a transcriptome-wide expression-morphology analysis in breast cancer

Karolinska Institutet（卡罗林斯卡学院）；Tampere University（坦佩雷大学）；Lund University（隆德大学）；University of Turku（图尔库大学）；Karolinska University Laboratory（卡罗林斯卡大学实验室）

分子表型是癌症精准医学的核心，但仍然昂贵，标准方法只能提供肿瘤的平均特征。在肿瘤组织病理学切片中观察到的显微形态学模式由潜在的分子表型决定，并与临床因素相关。形态学和分子表型之间的关系有可能被利用的组织病理学图像中可见的形态预测的分子表型。我们报告了乳腺癌中的第一个全转录组表达-形态学（EMO）分析，其中基因特异性模型被优化和验证，用于预测mRNA表达作为肿瘤平均值和空间分辨方式。对单个深度卷积神经网络（CNN）进行了优化，以预测来自苏木精和伊红（HE）染色的全载玻片图像（WSIs）的17，695个基因的表达。对9，334（52.75%）个基因的预测与RNA测序估计值显著相关（FDR调整的p值< 0.05）。其中1，011个基因被提出进行验证，其中876个（87%）和908个（90%）分别在内部和外部测试数据中成功复制。在76个基因中验证了预测的空间肿瘤内表达变异性，其中59个（77.6%）与空间转录组学估计值具有显著关联（FDR调整的p值< 0.05）。这些结果表明，所提出的方法可以应用于预测肿瘤的平均基因表达和肿瘤内的空间表达直接从形态，从而提供了一个可扩展的方法来消除肿瘤内的异质性。

2020-09-18cs.CVeess.IVq-bio.QM

利用深度特征和梯度提升方法集成基于组织病理学图像的乳腺肿瘤分类

Classification of Breast Tumours Based on Histopathology Images Using Deep Features and Ensemble of Gradient Boosting Methods

Semnan University（塞姆南大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）

针对乳腺肿瘤组织病理学分类，本文提出以Inception-ResNet-v2提取深度特征，并用CatBoost、XGBoost与LightGBM软投票集成，在BreakHis各放大倍数下取得优异准确率。

2022-09-03cs.CVeess.IV

基于深度学习的颌骨囊肿标本中牙源性角化囊肿的识别

Deep-learning-based identification of odontogenic keratocysts in hematoxylin- and eosin-stained jaw cyst specimens

Tokyo Medical and Dental University（东京医科齿科大学）

本研究的目的是开发一个数字化的组织病理学系统，用于识别牙源性角化囊肿的苏木精和伊红染色的颌骨囊肿组织标本。从199个牙源性角化囊肿、208个含牙囊肿和55个根尖囊肿中获得了大约5000张放大倍数为400 $\times$的显微镜图像。这些图像中的一部分用于制作训练块，这些训练块被注释为属于以下三类之一：角化囊肿、非角化囊肿和基质。囊肿的斑块包含完整的衬里上皮，囊肿腔位于上侧。卷积神经网络（CNN）VGG 16被微调到该数据集。训练后的CNN可以识别基底细胞栅栏状排列模式，这是诊断角化囊肿的决定性标准。剩下的一些图像由训练的CNN扫描和分析，然后将其输出用于训练另一个CNN以进行二进制分类（角化囊肿或非角化囊肿）。对于测试数据集，整个算法的受试者工作特征曲线下面积为0.997。因此，建议的补丁分类策略是可用于自动角化囊肿诊断。然而，必须进行进一步的优化以使其适合于实际使用。

2019-01-12cs.CV

无监督组织学图像合成

Unsupervised Histopathology Image Synthesis

Stony Brook University（石溪大学）；Dougherty Valley High School（多尔蒂谷高中）；Oak Ridge National Laboratory（橡树岭国家实验室）；Stony Brook Hospital（石溪医院）

苏木精-伊红染色的组织病理学图像分析对于癌症等复杂疾病的诊断和研究是必不可少的。现有的最先进的方法需要来自受过训练的病理学家的大量监督训练数据。在这项工作中，我们以无监督的方式合成了大型组织病理学图像数据集，适用于监督训练任务。我们提出了一个统一的流水线：a）生成一组初始合成组织病理学图像，其中包含有关细胞核的配对信息，如分割掩模; b）通过生成对抗网络（GAN）将初始合成图像细化为参考样式; c）训练特定于任务的CNN，并使用动态生成的对抗示例提高特定于任务的CNN的性能。我们的主要贡献是，合成图像不仅逼真，而且具有代表性（在参考样式中），并且对于训练特定任务的CNN来说相对具有挑战性。我们使用来自四种癌症类型的图像来测试我们的核分割方法。当没有监督数据存在的癌症类型，我们的方法没有监督成本显着优于监督的方法，执行跨癌症的泛化。即使所有癌症类型都存在监督数据，我们的无监督成本方法也比监督方法表现得更好。

2017-12-13cs.CV

CFFormer：用于改进异构医学图像分割的跨 CNN-Transformer 通道注意力与空间特征融合

CFFormer: Cross CNN-Transformer Channel Attention and Spatial Feature Fusion for Improved Segmentation of Heterogeneous Medical Images

School of Computer Science, University of Nottingham Ningbo China（Nottingham 中国 Nottingham 理工学院）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, China（深圳先进技术研究所，中国科学院）；School of Mathematical and Computational Sciences, Massey University（数学与计算科学学院，马斯sey 大学）；University of Nottingham, United Kingdom（Nottingham 大学，英国）

针对异构医学图像分割挑战，提出混合 CNN-Transformer 模型 CFFormer，通过跨特征通道注意力模块和 X-空间特征融合模块实现局部与全局特征的有效交互与融合，在八个数据集上表现优于现有方法。

2025-07-16cs.CV

用于结肠组织病理学的多尺度深度学习：一种图-Transformer混合方法

Multi-Scale Deep Learning for Colon Histopathology: A Hybrid Graph-Transformer Approach

Iran University of Science and Technology（伊朗科技大学）

本研究针对结肠癌早期检测需求，提出融合胶囊网络、图注意力、Transformer与残差学习的HG-TNet混合多尺度模型，在LC25000数据集上的分类性能优于标准架构。

2025-09-02cs.CVcs.LG

基于图像熵的病理切片资源节约型分类与分析

Resource-Frugal Classification and Analysis of Pathology Slides Using Image Entropy

使用可以部署在移动设备上的资源节约卷积神经网络（CNN）对肺部恶性肿瘤的病理切片进行分类。特别是，区分腺癌（LUAD）和鳞状细胞癌（LUSC）肺癌亚型的挑战性任务，在两个阶段接近。首先，将整个载玻片组织病理学图像下采样到对于CNN分析来说太大但足以保留关键解剖细节的尺寸。下采样的图像被分解成更小的正方形瓦片，这些瓦片基于它们的图像熵被筛选。轻量级的CNN会生成平铺级别的分类，这些分类被聚合以对幻灯片进行分类。由此产生的精度与使用更复杂的CNN和更大的训练集获得的精度相当。为了使临床医生能够直观地评估分类的基础-即查看其下的图像区域-通过重叠瓦片并在像素级别上平均瓦片级别的概率来创建颜色编码的概率图。

2020-12-02cs.CVeess.IV

Rotaflip：一种新的医学图像正则化和旋转不变性的CNN层

Rotaflip: A New CNN Layer for Regularization and Rotational Invariance in Medical Images

AstraZeneca（阿斯利康）；University of Cambridge（剑桥大学）

卷积神经网络（CNN）中的正则化通常使用dropout层来解决。然而，在CNN的卷积部分中，dropout有时是有害的，因为它只是将特征图中的像素百分比设置为零，在训练过程中添加了不具有代表性的示例。在这里，我们提出了一个CNN层，它通过在每个卷积层之后将反射的随机旋转应用于一小部分特征图来执行正则化。我们证明了这个概念是如何有益的图像与方向对称性，如在医学图像，因为它提供了一定程度的旋转不变性。我们在两个数据集中测试了这种方法，一组基于补丁的组织病理学图像（PatchCamelyon）使用通用DenseNet进行分类，一组角膜内皮的镜面显微镜图像使用定制的U形网进行分割，提高了两种情况下的性能。

2021-08-05cs.CVcs.LGeess.IV

量化计算病理学用卷积神经网络中数据增强和染色颜色标准化的影响

Quantifying the effects of data augmentation and stain color normalization in convolutional neural networks for computational pathology

Radboud University Medical Center（拉德堡德大学医学中心）；Linköping University（林雪平大学）

染色变化是当不同的病理学实验室对表现出相似但不相同的颜色外观的组织载玻片染色时观察到的现象。由于实验室之间的这种颜色变化，使用来自一个实验室的图像训练的卷积神经网络（CNN）在来自另一个实验室的不可见图像上往往表现不佳。已经提出了几种技术来减少泛化误差，主要分为两类：染色增强和染色归一化。前者在训练过程中模拟各种真实的染色变化，产生染色不变的CNN。后者旨在匹配训练和测试颜色分布，以减少染色变化。这是第一次，我们比较了其中一些技术，并使用来自4个器官和9个病理实验室的苏木精和伊红组织病理学图像的异质数据集量化了它们对CNN分类性能的影响。此外，我们提出了一种新的无监督的方法来执行染色颜色归一化使用神经网络。基于我们的实验结果，我们提供了实用的指导方针，如何使用染色增强和染色归一化在未来的计算病理学应用。

2020-04-15cs.CV

临床前组织病理学中的毒性评估：基于类别感知马氏距离的已知和新型异常检测

Toxicity Assessment in Preclinical Histopathology via Class-Aware Mahalanobis Distance for Known and Novel Anomalies

Tübingen AI Center, University of Tübingen（图宾根大学图宾根人工智能中心）；Boehringer Ingelheim Pharma GmbH and Co.（勃林格殷格翰制药有限公司）；Boehringer Ingelheim GmbH（勃林格殷格翰公司）

提出基于AI的异常检测框架，利用类别感知马氏距离和LoRA微调DINOv2，在啮齿动物肝脏全切片图像中识别健康组织、已知病理和分布外异常，实现像素级检测，降低假阴性和假阳性率。

2026-07-01cs.AIcs.CVcs.LG

用于组织病理学中异质组织合成的语义与视觉裁剪引导扩散模型

Semantic and Visual Crop-Guided Diffusion Models for Heterogeneous Tissue Synthesis in Histopathology

Mayo Clinic（梅奥诊所）

该研究提出结合语义分割图与组织特异性视觉裁剪的双条件潜在扩散模型，可生成高保真异质组织病理学图像，在下游分割任务上性能接近真实数据训练效果，且能扩展至无标注大规模数据集，缓解计算病理学数据瓶颈。

2025-10-01cs.CV

使用分层视觉Transformer和多重实例学习在组织病理学中预测卵巢癌治疗反应

Predicting Ovarian Cancer Treatment Response in Histopathology using Hierarchical Vision Transformers and Multiple Instance Learning

University of Leeds（利兹大学）

本研究提出HIPT-ABMIL深度学习方法，利用组织病理学全切片图像预测卵巢癌患者对bevacizumab治疗的反应，发现组织病理学预训练有益但模型泛化能力有限，需更大数据集验证。

2023-10-19cs.AIcs.CVeess.IV

面向卵巢癌亚型与基因突变预测的组织病理学形态-基因组深度学习

Morpho-Genomic Deep Learning for Ovarian Cancer Subtype and Gene Mutation Prediction from Histopathology

Department of Periodontics and Endodontics, Department of Oral Biology, State University of New York (SUNY) at Buffalo（牙科医学系与口腔生物学系，纽约州立大学（SUNY）布法罗分校）

本研究提出一种融合细胞核形态计量与ResNet-50和ViT的混合深度学习流程，直接从H&E图像预测卵巢癌亚型及TP53、BRCA1、ARID1A等基因突变，验证了组织学表型可编码基因组信号。

2025-11-05cs.CVeess.IVq-bio.QM

组合异质标记数据集用于训练分割网络

Combining Heterogeneously Labeled Datasets For Training Segmentation Networks

Paracelsus Medical University（帕拉塞尔苏斯医科大学）；Chondrometrics GmbH（Chondrometrics有限公司）；ETH Zurich（苏黎世联邦理工学院）

医学图像的精确分割是分析和跟踪解剖学中与疾病相关的形态学改变的重要步骤。卷积神经网络（CNN）最近已经成为医学成像中许多分割任务的强大工具。CNN的性能在很大程度上取决于训练数据的大小，并且组合来自不同来源的数据是获得更大训练数据集的有效策略。然而，这通常受到数据集的异构标签的挑战。例如，其中一个数据集可能缺少标签，或者多个标签可能已经组合成一个超级标签。在这项工作中，我们提出了一个成本函数，它允许将具有异构标签子集的多个数据集集成到联合训练中。我们评估了该策略在大腿MR和心脏MR数据集上的性能，其中我们人工合并了一半数据的标签。我们发现，所提出的成本函数大大优于朴素的掩蔽方法，获得的结果非常接近使用完整的注释。

2018-07-24cs.CV