自动核细胞分割和分类在数字病理学中起着至关重要的作用。但是，以前的作品主要基于具有有限的多样性和小尺寸的数据构建，使得在实际下游任务中的结果可疑或误导。在本文中，我们的目标是建立一种可靠且强大的方法，能够处理“临床野生”中的数据。具体地，我们研究和设计一种同时检测，分段和分类来自血红素和曙红（H＆E）染色的组织病理学数据的新方法，并使用最近的最大数据集评估我们的方法：Pannuke。我们以新颖的语义关键点估计问题解决每个核的检测和分类，以确定每个核的中心点。接下来，使用动态实例分段获得核心点的相应类别 - 不可止液掩模。通过解耦两个同步具有挑战性的任务，我们的方法可以从类别感知的检测和类别不可知的细分中受益，从而导致显着的性能提升。我们展示了我们提出的核细胞分割和分类方法的卓越性能，跨越19种不同的组织类型，提供了新的基准结果。

The Government of Kerala had increased the frequency of supply of free food kits owing to the pandemic, however, these items were static and not indicative of the personal preferences of the consumers. This paper conducts a comparative analysis of various clustering techniques on a scaled-down version of a real-world dataset obtained through a conjoint analysis-based survey. Clustering carried out by centroid-based methods such as k means is analyzed and the results are plotted along with SVD, and finally, a conclusion is reached as to which among the two is better. Once the clusters have been formulated, commodities are also decided upon for each cluster. Also, clustering is further enhanced by reassignment, based on a specific cluster loss threshold. Thus, the most efficacious clustering technique for designing a food kit tailored to the needs of individuals is finally obtained.

Identifying spurious correlations learned by a trained model is at the core of refining a trained model and building a trustworthy model. We present a simple method to identify spurious correlations that have been learned by a model trained for image classification problems. We apply image-level perturbations and monitor changes in certainties of predictions made using the trained model. We demonstrate this approach using an image classification dataset that contains images with synthetically generated spurious regions and show that the trained model was overdependent on spurious regions. Moreover, we remove the learned spurious correlations with an explanation based learning approach.

解释性互动学习（XIL）收集了有关视觉模型解释的用户反馈，以实现基于人类的交互式学习方案。不同的用户反馈类型将对用户体验以及收集反馈相关的成本产生不同的影响，因为不同的反馈类型涉及不同级别的图像注释。尽管XIL已被用来改善多个域中的分类性能，但不同的用户反馈类型对模型性能和解释精度的影响尚未得到很好的研究。为了指导未来的XIL工作，我们比较图像分类任务中两种不同用户反馈类型的有效性：（1）指示算法忽略某些虚假图像特征，以及（2）指导算法专注于某些有效的图像特征。我们使用基于梯度加权类激活映射（GARGCAM）XIL模型的解释来支持两种反馈类型。我们表明，与用户反馈相比，识别和注释的虚假图像特征与用户反馈相比，该模型可以找到出色的分类和解释精度，该功能告诉模型专注于有效的图像特征。

对心脏磁共振成像（MRI）进行心室分割时具有弹性的方法，对于确保对这些组织的结构和功能分析的质量至关重要。尽管在提高算法的质量方面做出了重大努力，但很少有作品能够应对伪像在预测中产生的危害。在这项工作中，我们研究了经过验证的网络的微调，以提高以前方法对这些工件的弹性。在我们提出的方法中，我们采用了模仿这些人工制品的数据增强的广泛使用。结果显着改善了基线分割（最高0.06个骰子得分和4mm的Hausdorff距离提高）。

人工智能在医学成像，尤其是组织病理学成像方面具有巨大的希望。但是，人工智能算法无法完全解释决策过程中的思维过程。这种情况带来了解释性的问题，即黑匣子问题，人工智能应用程序的议程：一种算法只是在没有说明给定图像的原因的情况下做出响应。为了克服问题并提高解释性，可解释的人工智能（XAI）脱颖而出，并激发了许多研究人员的利益。在此背景下，本研究使用深度学习算法检查了一个新的原始数据集，并使用XAI应用程序之一（GRAD-CAM）可视化输出。之后，对这些图像的病理学家进行了详细的问卷调查。决策过程和解释都已验证，并测试了输出的准确性。这项研究的结果极大地帮助病理学家诊断旁结核病。