生物医学图像分析
在 A*STAR 实习时做的研究，从病理切片中分割细胞核、提取特征并分类。
IHC · 细胞核分割对比 / 报告图 6在 A*STAR 生物信息学研究所实习时，我做的是 IHC 病理切片分析。流程会从整张切片里提取组织区域，分离染色、分割细胞核，再提取特征并分类。最后得到每个细胞核的位置、表达类别，以及整张切片的统计。
我主要分析细胞核周围的染色分布：向外扩展 12 层，每层沿 72 个方向采样，得到 864 维光密度特征。之后比较随机森林、SVM 和 ResNet-18，并用没有参与训练的另一张切片评估。
下面是我 2025 年 5 月 NTU 实践项目报告里的图像和结果。每组数据旁边写了对应的样本范围和报告页码。
随机森林 · 2,000 个标注细胞核
12 层 × 72 个方向
两张切片共 2,455,325 个细胞核
01 / 方法
实验使用两张 H-DAB 染色的胰腺导管腺癌切片，共三个组织区域。我把原本分散在不同工具里的步骤接成一次运行的流程。
用低分辨率图定位组织区域，排除背景，再读取高分辨率区域。
估计染色矩阵，将苏木精与 DAB 信号分开。
2048 × 2048 图块、256 像素重叠，分水岭分割后拼回整张图。
从细胞核向外扩展 12 层，每层沿 72 个方向采样 DAB 光密度。
用人工核对后的样本比较 RF、SVM 和 ResNet-18，最终接入 RF。
保存每个细胞核的特征、预测类别，以及整张切片的类别占比。
报告第 10–30 页。上方封面为原报告图 6（第 21 页）：原图、QuPath 分割、本流程分割及叠加对比。与 QuPath 的掩膜重叠度为 Dice 0.7311、IoU 0.5761；参考对象是软件输出。
02 / 真实样本
每个小图左边是原始细胞图像，右边是它周围的 DAB 光密度分布。外围区域由细胞核向外膨胀近似得到，并非直接测出的细胞膜边界。点击可放大原图。
低表达样本的 DAB 信号较弱；膜表达样本的信号更集中在外围。
原报告第 25 页胞质表达的信号分布较广；Half 类的强信号集中在部分方向。
原报告第 26 页03 / 结果
ResNet-18 的交叉验证均值最高；随机森林在切片 B 的 2,000 个独立标注样本上达到 97.90%，略高于 ResNet-18 的 97.70%。结合可解释性和部署成本，我最终使用了随机森林。
| 模型 | 切片 A · 8 折交叉验证 | 独立切片 B |
|---|---|---|
| Random Forest | 98.70 ± 0.71 | 97.90% |
| SVM | 97.85 ± 0.94 | 95.40% |
| ResNet-18 | 99.15 ± 0.47 | 97.70% |
切片 A 的 2,000 个样本用于开发与交叉验证；切片 B 的另 2,000 个样本仅用于泛化评估。样本经模型辅助筛选和本人核对，详见报告第 27–30 页。
04 / 结果
模型共处理了 2,455,325 个分割出的细胞核。切片 B 的低表达占比更高。这里展示的是模型对整张切片的预测分布，不是 245 万个人工标注样本，也不是分类准确率。
| 表达模式 | 切片 A | 切片 B |
|---|---|---|
| 低表达 | 422,654 · 45.9% | 952,251 · 62.0% |
| 膜表达 | 188,659 · 20.5% | 313,020 · 20.4% |
| 胞质表达 | 103,009 · 11.2% | 116,984 · 7.6% |
| 局部表达（Half） | 205,762 · 22.4% | 152,986 · 10.0% |
| 合计 | 920,084 | 1,535,241 |
05 / 结果
按耗时表相加，切片 A 的完整运行是 11,996 秒，约 3 小时 20 分钟。分割与拼接约占 65%，比分类预测本身更耗时。
| 阶段 | 耗时（秒） |
|---|---|
| 组织区域提取 | 1,151.5 |
| 染色矩阵与阈值 | 9.7 |
| 颜色解卷积 | 1,936.9 |
| 分割与拼接 | 7,794.8 |
| 特征提取与 CSV | 875.4 |
| 模型预测 | 227.7 |
| 总耗时 | 11,996 |
耗时基于报告中的 Xeon Gold 6242 / Tesla V100 / 1 TiB RAM 工作站。报告摘要与正文的加速倍数表述不一致，本页采用可核对的表 5 数值。
验证范围只有两张切片，标注主要由我完成，尚未经过病理专家系统复核。结果说明了这组数据上的表现；跨患者、跨染色批次的稳定性，以及与临床结局的关系，还需要更多数据验证。
来源：本人 2025 年 5 月 NTU BS6211 实践项目报告，第 39–41 页。
Immunohistochemistry Biomarker Expression Pattern Recognition: For Enhanced Disease Prognosis
