Qupath分类器的训练

最新推荐文章于 2026-05-06 09:15:26 发布
原创 最新推荐文章于 2026-05-06 09:15:26 发布 · 4k 阅读 · 7
标签
#目标检测 #图像处理

1.首先选取区域进行细胞核检测

  1. analyze->cell detection->cell detection）

2.在这个区域内进行标注的绘制，例如 我绘制了两块

3.classify->object classification->train object classifier 

选择live update(可以通过增加标注来持续更新分类器)。

本张切片上更新完成后，保存分类器，例如我存为prior

4.打开另外一张需要训练的切片，重复以上操作，保存分类器，例如我存为prior_p53

5.classify->object classification ->create composite classifier

最低0.47元/天 解锁文章
NanXian Lin
关注
qupath-extension-tunel:QuPath扩展用于主动学习
05-08
主动学习扩展 QuPath扩展包括主动学习原子核和细胞分类。 介绍 此扩展包括针对生物学显微镜图像中分类问题的通用主动学习方法。 这种方法的一个优点是它可以在荧光和显微镜图像上工作。 该方法比使用标准QuPath版本的机器学习功能快得多，因为要获得相同的性能，必须注释的样本要少得多。 安装 该扩展的安装过程与其他QuPath扩展的安装过程完全相同。 用户应将.jar文件拖到QuPath主窗口上，或将其直接放在扩展文件夹中。 该项目的源代码可从“ ”获得。 可以从这些项目文件中编译jar文件。 在以下位置有两个预编译的jar文件（均为必需）： : 使用扩展名 分割 在分类之前，用户应使用他们经常使用的技术进行细分。 这可以是QuPath中的分水岭分割，也可以是通过ImageJ扩展使用的任何分割方法。 分类 主动学习扩展使用标准QuPath版本中的标准机器学习分类器执行分类。 这样做是
matlab滑动条代码-immuneTopography:在组织学图像中分析肿瘤浸润免疫细胞的形貌（QuPath/Matlab）
05-27
matlab滑动条码免疫地形图 这是什么？ 该存储库包含脚本，用于分析组织学图像中肿瘤浸润免疫细胞的形貌。 图像分析将使用QuPath v 0.1.2（qupath.github.io）完成，而所有下游分析将使用Matlab R2017b（Mathworks，Natick，MA，USA）完成。 该方法在eLife 2018中发表的论文“癌症相关免疫细胞拓扑图”中进行了描述。如果您重复使用任何代码，请引用该论文。 我该如何使用呢？ 该软件可能尚未准备好进行常规部署。 它是可用于研究项目的图像分析管道的一部分。 简而言之，完整的流程如下 获取肿瘤的组织切片并进行免疫染色 扫描幻灯片并将整个幻灯片图像加载到QuPath中 手动绘制肿瘤核心区域（标记为“ TU_CORE”）和外部侵入边缘（“ MARG_500_OUT”） 运行“ ./qupath_scripts”中提供的QuPath脚本 运行Matlab脚本以解析QuPath输出并执行进一步的分析。 依次运行脚本“ step_01”，“ step_02”等。 我如何获得帮助？ 如有任何疑问，请随时与作者联系。 有关QuPath的问题，请参见。
QuPath高级技巧：如何用脚本自动化处理大批量病理图像（含代码示例）
weixin_28704565的博客
04-14 382
本文详细介绍了如何利用QuPath脚本自动化处理大批量病理图像，显著提升数字病理图像分析效率。通过Groovy脚本实现从环境配置到肿瘤基质百分比分析的全流程自动化，包含代码示例和高级批处理技巧，助力研究人员快速完成病理图像分析任务。
图像分割标注工具——QuPath使用说明
热门推荐
AI数据工厂
05-17 1万+
提供了QuPath工具的介绍，其可用于裂缝等难以人工直接标注的分割任务的数据标注。
病理小白也能懂：5分钟搞清QuPath里H&E和IHC（DAB）染色到底怎么看
最新发布
weixin_28481133的博客
05-06 236
本文为病理学新手提供了在QuPath中快速区分H&E和IHC（DAB）染色的实用指南。通过生动的比喻和详细的操作步骤，解释了两种染色的生物学意义、QuPath中的分析工具差异以及常见错误避免方法，帮助用户高效进行WSI图像分析。
QuPath病理流程学习 ③ IHC、H&E （WSI的处理）实战
hx2024的博客
12-26 6919
H&E代表了Hematoxylin and Eosin（苏木精和伊红）染色技术，而DAB代表了3,3'-Diaminobenzidine（二氨基苯基丁二酮）染色技术。H&E染色是最常用的组织染色技术之一，它使用苏木精染色细胞核（呈蓝色）和伊红染色细胞质（呈粉红色）。H&E病理切片呈现出细胞核为蓝色，细胞质为粉红色的特征，而DAB病理切片呈现出棕色或棕黑色的显色结果。这些差异使得研究人员能够利用不同的染色方式来观察和分析组织中的不同结构和分子，从而更好地理解生物学和疾病机制。
病理AI领域必备的标注工具QuPath系列推文1：QuPath基础功能介绍｜24-08-10
罗小罗同学的博客
08-10 1万+
第一篇推文将引导您完成使用QuPath的初步步骤，并介绍您开始使用时需要了解的主要功能、按钮和概念。QuPath欢迎窗口：这是用户首次启动QuPath时见到的界面，通常提供了一些基本的引导信息或快捷入口。打开整个切片图像：用户将学习如何导入并加载数字病理切片的全貌图像，这是进行图像分析的第一步。查看图像属性：了解如何查看和管理图像的基本信息，如分辨率、尺寸等，这对于后续的图像分析至关重要。在图像间导航：用户将掌握在图像上移动视图，缩放和平移等基本操作，以便更好地观察和分析图像。手动标注区域。
QuPath学习④ 脚本使用
hx2024的博客
01-02 4977
介绍qupath部分函数以下是 QuPath 中一般概念的概述：您的图像可能（并且可能应该）组织在一个Project项目中的每个图像都由当您打开一个 时，您会在查看器中显示一个ImageDataImageData（例如明场、荧光）ImageType任何必需的（如果是明场）一个 ，用于访问像素和元数据A ，包含树状结构每个都包含一个和当您在 QuPath 中分析图像时，您需要从 中获取 ，访问像素，并尝试表示图像包含在 .然后，查询对象层次结构以提取某种汇总度量。
HE切片+qupath识别TIL和成纤维细胞文献（三阴性乳腺癌）
hx2024的博客
03-22 3013
eaTILs（mm2）= TILs数量/分析的肿瘤区域面积总和（mm2），easTILs=100*[TIL面积总和（mm2）/基质面积（mm2）]。细胞标注为肿瘤细胞（红色）、TIL（紫色）、成纤维细胞（绿色）和其他背景细胞（黄色）。背景半径：8 μm;细胞分类：将检测到的细胞分类为肿瘤细胞、免疫细胞 （TIL）、成纤维细胞和其他细胞。使用来自三个机构的一个发现集和四个验证集，我们发现机器读取测量的 TIL 变量将 TNBC 患者分为预后良好和不良队列，其中较高的 TIL 评分与更好的总生存期显着相关。
Qupath分类器训练实战：从标注到应用的全流程解析
weixin_29085865的博客
02-20 362
本文详细解析了Qupath分类器从标注到应用的全流程实战。通过精准的细胞核检测与区域标注，结合实时更新的“现场教学”模式训练与优化专属分类器，最终实现高效的批量分析与结果解读。掌握这一流程，能极大提升数字病理分析效率与客观性，解放研究者的双手。
Qupath分类器训练全流程：从细胞核检测到复合分类器实战
jjj34的博客
03-06 405
本文详细介绍了在Qupath平台中训练病理图像分类器的完整流程。从细胞核检测的参数调优与区域标注，到训练首个分类器并进行交互式迭代优化，最终构建能应对染色差异和组织异质性的稳健复合分类器。文章还分享了处理复杂背景的实战技巧、自动化批处理脚本编写以及结果可视化方法，为病理图像的定量分析提供了一套可操作的完整指南。
Qupath分类器训练实战：从细胞核检测到复合分类器构建全流程
weixin_29054245的博客
02-16 337
本文详细介绍了使用Qupath进行数字病理图像分析的完整流程，重点聚焦于分类器训练。从细胞核检测、特征提取，到标注绘制与迭代训练，手把手指导构建高精度分类器。文章深入讲解了如何利用Live Update功能进行主动学习优化，并进阶演示了通过分而治之策略构建复合分类器，以处理肿瘤细胞、淋巴细胞等多类别复杂识别场景，最终实现自动化定量分析并导出结果。
Qupath分类器训练避坑指南：如何避免标注错误和过拟合问题
weixin_29047545的博客
02-20 325
本文深入剖析了Qupath分类器训练中标注错误与过拟合两大核心问题。通过解析标注的“信号”与“噪声”，建立可重复的标注规范，并提供对抗过拟合的实战策略（如特征选择、数据多样性、善用Live Update），旨在帮助用户构建稳健、可泛化的Qupath分类器，提升数字病理图像分析的准确性。
QuPath数字病理分析终极指南：7步快速构建专业工作流
gitblog_01080的博客
12-05 891
作为生物医学图像分析领域的革命性工具，QuPath正在重新定义病理学家处理数字切片的方式。无论您是刚接触数字病理的新手，还是需要高效分析大批量组织样本的专业人员，这份完整指南将带您从零开始掌握这款强大平台的核心技能。 ## 准备您的专属分析环境 在启动QuPath之前，确保系统配置达到最佳状态。以下是关键配置清单： | 组件 | 基础配置 | 专业配置 | 核心说明 | |------|--
QuPath学习 ② H&E scripts
hx2024的博客
12-15 3444
文献中详细介绍了处理H&E scripts的详细过程，计算H&E染色的全切片中的肿瘤基质百分比。步骤：1.将相关幻灯片添加到QuPath项目中。2.对于项目中的每张幻灯片，围绕一个有代表性的肿瘤区域绘制一个注释。3.运行“Estimate _ background _ values . groovy”来自动确定适当的“白色”值，以改进光学计算 密度。这是可选的，但可能对较暗的扫描有帮助；它预先假定背景区域在图像中的某处是可用的。
qupath再度更新：使用WSInfer进行深度学习
hx2024的博客
03-30 2169
我们在下面提供了一个示例，说明如何使用 WSInfer 创建 WSI 中肿瘤和肿瘤浸润淋巴细胞 （TIL） 的空间图谱，这些图谱被认为在几种癌症中既有预后又有预测意义6,10,11,12.由于 WSI 非常大，因此它们通常被分解为补丁，以使分析变得可行。补丁分类的输出通常是空间分类地图，通常可以跨 WSI 集成，以创建表示该幻灯片的诊断、预测或“分数”的单个输出。在当前的实施中，我们专注于斑块分类的通用任务，该任务广泛用于广泛的病理学应用，具有促进诊断、预后或预测功能的深度学习模型。
TSR勾画学习
hx2024的博客
12-30 1314
（4）由经验丰富的研究者（LW Wang）使用QuPath的标注工具对具有代表性的训练区域进行相应的标注，包括肿瘤组织、基质组织和“其他”（空白、坏死、粘蛋白、炎症等）;（5）对随机森林分类器进行算法训练，实现肿瘤组织及周围基质组织的最优分类;使用TMA数据浏览器的数据输出提供了肿瘤组织和基质组织的面积（μm2） 分别在每个内核中。如果无法选择没有平滑肌组织的合适区域（例如，在 II 期肿瘤中），则应忽略该组织室进行评分。同一患者的多个载玻片，对基质百分比最高的切片进行评分，并作为TSR的最终估计。
QuPath 生物图像分析终极指南：从入门到精通的完整教程
gitblog_00454的博客
03-25 244
QuPath是一款开源的生物图像分析平台，专为数字病理学和生物医学研究设计。它能够高效处理全切片成像（Whole Slide Imaging, WSI）数据，实现从组织区域分割到单细胞检测的完整分析流程。无论你是病理学家、生物医学研究员还是图像分析新手，QuPath都能帮助你快速完成复杂的图像分析任务，显著提升科研效率。 ## 为什么你需要QuPath进行生物图像分析？ 在生物医学研究中，图像
QuPath高级功能详解：像素分类器与特征提取实用教程
gitblog_00599的博客
03-08 764
QuPath是一款强大的生物图像分析与数字病理开源软件，为科研人员和病理学家提供了丰富的图像处理工具。本文将深入探讨其两大核心高级功能——像素分类器与特征提取，帮助用户快速掌握从图像分割到定量分析的完整工作流程。 ## 🎯 像素分类器：精准识别组织与细胞 ### 什么是像素分类器？ 像素分类器是QuPath中基于机器学习的图像分割工具，能够自动区分不同类型的组织或细胞。通过训练分类模型，软件
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值