从 H&E 到五类组织区域：BCSS 分割项目与留出核验

把一张H&E区域图转换成带类别的组织分割图，并检查每类面积和真实标注的重叠。这个案例使用BCSS的四位患者ROI，完成一个可复算、可继续修改的五类组织项目。

1. 下载四个ROI与固定划分

下载最小复现包（约16 MB）。inputs包含4张ROI、4张标签图和 split.json。图像通过BCSS官方项目链接的公开Digital Slide Archive取得，每张最长边768像素；标签来自同一官方服务的明确闭合标注多边形。

在插件“数据与范围”选本地执行和新工作目录，通过“＋ 增加数据”绑定解压后的 inputs文件夹。图像、掩膜、划分一起绑定，输出目录另行选择。

类别ID为1肿瘤、2间质、3淋巴细胞浸润、4坏死或碎屑、9脂肪，0为本次不评价区域。包内保留公开多边形几何与 derive_tissue_masks.py，运行后可重新生成标签并核对像素一致性。

2. 配置环境并写清目标

本次复用CPU环境：Python 3.12、NumPy 2.2.6、SciPy 1.15.3、scikit-image 0.25.2、scikit-learn 1.6.1、Pandas 2.2.3、Matplotlib 3.10.3、Pillow 11.2.1、joblib 1.6.0。选择已有兼容环境或为此项目准备独立环境后，提交以下需求：

请对绑定的BCSS四个ROI建立五类组织区域分割项目。保持split.json中的三患者训练、一患者留出，0和冲突像素忽略。独立使用多尺度颜色纹理特征与ExtraTrees分类器，每训练ROI每类最多4000像素、64棵树、最大深度16、随机种子20261015。冻结模型后处理留出ROI，输出语义图、叠加图、类别面积、混淆矩阵、每类IoU/Dice、训练支持数和PathoWish汇总报告。测试无真值支持的类别明确标出。

点击“下一步：核对需求”，确认输入和执行环境，提交建模。

3. 从区域标注语义组织自己的代码

在阶段1阅读《Structured crowdsourcing enables convolutional segmentation of histology images》开放全文，核对类别含义、标注审核和评价单位。需要加入文献时，在阶段2“参考文献与自备材料”添加PDF。

本项目采用区域监督和逐类重叠评价原则，独立实现63维多尺度RGB、HED、HSV均值与标准差特征，然后训练ExtraTrees。论文的完整卷积网络训练环境作为方法参考；当前实现只使用本次实际需要的通用库。

在阶段2检查固定划分、五类映射和三个执行步骤后确认开发。训练读取训练掩膜，推理只读取留出H&E与训练模型，评价才读取留出掩膜。阶段4会核对真实执行记录及结果图表。

4. 读懂这次留出结果

留出ROI有517,346个有效标注像素，70,942个像素忽略。像素准确率为50.27%；有真值支持的三个类别宏平均IoU为0.2913，包含坏死误报的四个非空并集类别宏平均IoU为0.2185。脂肪既无真值也无预测，不参与这两个平均。

预测图呈现了肿瘤与淋巴浸润的主要区域，也把不少有效组织误分为坏死；间质没有被识别出来。坏死的174,643个预测像素是本次评价范围内的误报，它们同时计入真实类别的错误，未因该类真值为零而从总评价中删掉。下一轮可以补充独立患者的间质和混合组织训练样本，保留当前结果作为基线。

5. 查看报告和项目模块

“结果与图表”中的“查看本次报告”汇总图、表和方法选择。点击“打开结果文件夹”，查看 area.csv、metrics.csv、confusion.csv、类别标签PNG和 tissue-model.joblib。面积表使用整个ROI作为分母，评价表使用明确有效标注作为范围，两者用途不同。

点击“打开项目代码”，可从 features.py、train.py、infer.py、evaluate.py继续调整。需要精确复算下载包时，先运行 python run_case.py核对输入，再运行 python run_case.py --run。新产物保存在 project/artifacts/versions，原始 results保持可比较。

方法与核验记录

四个ROI按官方清单顺序预先选择，前三个训练、第四个留出；没有根据评价结果更换患者。原论文把无其它标注的区域默认定义为间质，本例采用更窄的明确多边形范围，未将所有未标注区域补成间质。标签采用偶奇规则保留孔洞，同类环相抵、跨类重叠记0；各ROI的冲突像素为643、337、580、309。

独立核验重新生成四张标签并确认像素完全一致，重新计算有效像素准确率与各非空并集类别IoU，确认训练与留出患者不交叉、输入哈希保持不变。独立评审还纠正了首版“真值为零即不计算IoU”的定义：新子版本逐字节复用原模型和预测，重新运行评价，把坏死误报计为IoU/Dice=0，并分别报告两个宏平均。项目保留了训练、推理、模型评审与自动报告。本次测试通过插件的项目后端执行；以上界面步骤供用户复现。

来源：Amgad等，*Structured crowdsourcing enables convolutional segmentation of histology images*. Bioinformatics, 2019, btz083。BCSS数据及标注使用CC0 1.0，官方数据仓库与NuCLS论文的数据可用性声明提供许可依据。包内保存请求URL、来源校验、原始几何和派生标签规则。