Bio_informatics_science_technology_image_beyond_1/2026-02-07_HE切片的细胞类型鉴定.qmd at main · iamhealthy/Bio_informatics_science_technology_image_beyond_1 · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
---
title: HE切片细胞类型
subtitle: HE切片的细胞类型鉴定
date: 2026-02-07
toc-depth: 4
toc-expand: true
lang: en
---

看到一篇2025-12-22日上线的预印版文献[@Mandal2025]，报道了Classpose，可用于HE染色全片的细胞类型鉴定。

<center>
<img src="images/classpose.png" style="width:100%; border: 1px solid gray">

![Classpose的logo。图源：<https://github.com/sohmandal/classpose>。](images/classpose_logo.png){width="50%"}
</center>

## 1. 两种细胞分割/cell segmentations

> **Instance segmentation** ... aims to determine whether a pixel belongs to a unique cell [@Mandal2025].

以HE切片为例，直观理解就是选切片上的细胞（核）。

> **Semantic segmentation** ... aims to determine to which cell type a pixel belongs to [@Mandal2025].

以HE切片为例，直观理解就是确定每个细胞（核）属于哪种类型（比如中性粒细胞、上皮细胞、淋巴细胞等等）。

## 2. Classpose的原理？

看不懂文献的方法，好像也没有读懂的动力。

## 3. Classpose能做什么？

> **Classpose**, as easily trainable analog of the Cellpose-SAM model [for semantic segmentation]{.mark} [@Mandal2025].

![](images/what-is-classpose.png){width="100%"}

## 4. Classpose的优点？

> We extensively **benchmark Classpose against 3 other state-of-the-art methods** (Semantic Celllpose-SAM, CellViT++, and Stardist) across 6 datasets (CoNIC, ConSep, GlySAC, MoNuSAC, NuCLS, and PUMA), showing that [Classpose consistently outperforms all other methods]{.mark} [@Mandal2025].

<center>
![](images/classpose-performance.png){width="50%"}
</center>

## 5. Classpose如何使用？

> ... provide a [commond-line tool]{.mark} and **[a QuPath extension]{.mark}** for whole slide-image ... [@Mandal2025]

## 6. 自己安装Classpose的QuPath extension体验下

具体安装过程有些折腾，但最终还是成功了。安装过程参考[@Classpose_qupath] [@KW_classpose2026]。

<center>
![Pretrained models有：conic、consep、glysac、monusac、nucls、和puma。](images/classpose_pretrained-models.png){width="50%"}
</center>

<center>
![不同pretrained models可预测的细胞类型。](images/classpose_model_cells.png){width="60%"}
</center>

<center>
![用于测试的HE切片。](images/classpose_to-be-tested.jpg){width="100%"}
</center>

<center>
![Classpose的测试结果（用的pretrained model是conic）。Conic可区分的细胞类型是：neutrophils、epithelial cells、lymphocytes、plasma cells、eosinophils、和connective tissue cells [@lizard_arxiv]。不同颜色表示不同的细胞类型。](images/classpose_tested.jpg){width="100%"}
</center>

## 7. 期待Classpose文章正式发表

目前该软件工具还是预印版，期待正式在某个科研杂志发表，这样使用起来更加有底气些。

本着严谨的态度，感觉是不是应该比较下[Classpose的预测结果]{.mark}和[多色免疫荧光染色]{.mark}的结果一致性？

或者基于Classpose分析得到了某种结论，再针对该结论通过某种合适的实验验证下？

[给我买杯茶🍵](给我买杯茶.qmd)

## References