HoVer-Net是一种用于病理图像细胞核分割和分类的深度学习模型。该模型通过计算细胞核像素到质心的距离来分离聚集细胞，并利用上采样分支进行细胞核类型分类。项目提供PyTorch实现，支持模型训练、图像处理和全幻灯片分析，并包含多个预训练权重。HoVer-Net在细胞核分析任务中表现出色，为数字病理学研究提供了重要工具。

PLIP是首个针对病理AI的视觉和语言基础模型，通过大规模预训练实现病理图像和文本描述的特征提取。作为CLIP模型的改进版，PLIP支持图像文本编码和相似度计算，可通过多种API方式使用。该模型为病理图像分析提供新的研究工具，助力医疗AI在病理诊断和研究中的应用。

Ibex专注开发人工智能癌症诊断解决方案，为病理学家提供经实践验证的AI工具。其技术可识别多种组织中的癌症和诊断特征，临床证实能提升诊断准确性和效率。Ibex利用逾千万张病理切片数据，结合专家知识和深度学习，开发出高性能AI算法，旨在推动癌症诊断技术进步。