两篇新研究论文介绍了组织病理分割的新方法，这是分析组织样本以诊断疾病的关键任务。第一篇论文ProBAG利用数据集特定的视觉原型和与病理学对齐的文本原型来生成更可靠的弱监督分割伪标签，相比现有方法取得了显著的提升。第二篇论文CoDiR采用置信度引导的扩散精炼过程来改进半监督分割中的伪标签，在基准数据集上取得了最先进的结果。 AI
影响 组织病理分割的这些进步可能通过改进AI对医学图像的分析，从而实现更准确、更高效的疾病诊断和研究。
排序理由 两篇在arXiv上发表的学术论文，提出了组织病理分割的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.11765v1 Announce Type: new Abstract: Weakly supervised semantic segmentation enables histopathology tissue segmentation from image-level annotations, avoiding costly pixel-level labeling by expert pathologists. However, CAM-based methods often localize only highly disc…
arXiv:2608.11807v1 Announce Type: new Abstract: Semi-supervised histopathology segmentation is challenging due to scarce annotations and unreliable pseudo-labels in ambiguous gland regions. To address this problem, we propose Confidence-Guided Diffusion Refinement (CoDiR), a semi…