染色归一：
比赛方提供matlab代码，该的算法是用C ++编写，需要20秒来处理大小为5657*5657像素的图像。
宽残差网络：
随着模型深度的加深，梯度反向传播时，并不能保证能够流经每一个残差模块（residualblock）的weights，以至于它很难学到东西，因此在整个训练过程中，只有很少的几个残差模块能够学到有用的表达，而绝大多数的残差模块起到的作用并不大。因此可以使用一种较浅的，但是宽度更宽的模型，来更加有效的提升模型的性能。
训练算法：
使用宽残差网络估计96*96像素的图像块在其中心包含有丝分裂图的概率，分类有丝分裂和非有丝分裂的像素。利用随机梯度下降法对固定尺寸的minibatches的加权交叉熵损失进行优化。我们在损失函数中应用一个加权项来惩罚错误分类的正样本。此外，我们对负样本进行二次采样，对难例进行在线选择。
难负采样：
我们将负样本的数据集分成两个子集。我们通过训练一个初步的网络，对整个训练数据的子集进行分类，从而识别出难以判别的patch(I)。所有其他负样本都成为第二个负数据集(II)。当组成有效的训练集时，我们采用所有的正样本，并对负集(I)和(II)进行二次采样。在训练期间，我们会定期从数据集（I）中提取难例来扩展训练集。在训练的实际阶段，我们会接受最难的新patch。该方法可以防止拟合次优假设，使负训练样本的计数在可控制的范围内，大大低于样本总数。实验表明，严格的负采样是在验证和测试集上实现良好泛化的一个重要因素。
处理验证图像：
为了处理一个验证图像，我们首先在每个方向合成一个48像素的镜像边界，然后将宽的ResNet应用于一个滑动窗口的样式，并对所有有效的96*96像素的图像窗口进行处理。这就产生了一个概率图，每个像素都被赋予一个有丝分裂的概率。概率图是有噪声的，需要后期处理才能有效地提取有丝分裂细胞的位置。我们首先定义一阈值t，概率图上所有低于t的像素都设为0。然后使用一个标准的算法来提取连通分量的阈值概率图，提取的形状很可能代表个体有丝分裂的图形。在最后一步中，我们丢弃了一个小于a像素的区域，并将剩余形状的质心作为预测的有丝分裂坐标返回。这个过程有两个自由参数，阈值t和最小区域a，我们决定用网格搜索来完成验证集。
处理测试图像：
为了处理测试图像，我们也合成了每个方向48个像素的镜像边界。然后我们在k网络中应用交叉验证来生成上述的概率图，并使用最优参数(ti,ai)，对k网络每一个网格标注一个图心。最终结合多数投票法通过结果。
多数投票法：
我们从预测的k包中创建了一系列的点，在这些点上，两个点之间的欧氏距离小于30像素。从这组集合中，我们丢弃那些包含小于k/2元素的，只保留那些被大多数k网络预测为有丝分裂的区域。最后的预测是每个剩余的集群的中心像素。
实验与结果：
额外使用了ICPR -2012和ICPR -2014 有丝分裂检测比赛的训练集。
宽残差网络参数：
输入96*96的patch。k=2,N=3。在卷积层和非线性层后使用batch normalization。使用ReLU作为激活函数。使用p = 0.3的丢失概率并将其应用于卷积之间的每个残差块中以防止过拟合。batchsize为64。使用旋转或镜像进行数据增广。在所有的实验中，我们使用SGD与Nesterov动量和加权交叉熵损失。初始学习率设为0.01，权重衰减为0.0001，动量为0.9，minibatch size为64。学习率在epoch 10为0.1，在epoch 60为0.01，在epoch 100为0.001。共训练120个epoch。