把细胞核分成独立实例与类别：NuCLS 小样本实操

这次从公开H&E图像和人工QC核标注出发，完成“核前景学习 → 独立实例 → 三类预测 → 留出核验”。结果包括逐核ID、类别、面积与质心表，实例轮廓叠加图，以及训练和评价记录。

1. 准备图像与真实核标签

下载最小复现包（约14 MB）。inputs包含NuCLS官方corrected single-rater QC数据中的9张PNG、9份CSV和固定划分 split.json。数据来自NuCLS官方页面，数据许可为CC0 1.0；完整来源、哈希和标签说明在包内。

在插件“数据与范围”选本地执行、新建工作目录，并通过“＋ 增加数据”绑定解压后的 inputs文件夹。检查CSV与图像同名对应，保留 split.json。

训练轮廓为11个肿瘤核、17个间质核、62个淋巴细胞核。类别读取CSV的 main_classification：tumor_nonMitotic/tumor_mitotic合为肿瘤，nonTILnonMQ_stromal为间质，lymphocyte为淋巴。只有 polyline作为像素轮廓；矩形、点和其他类别保留在原始输入中，并记录被排除的数量。

2. 提交可执行的项目需求

选择兼容的Python 3.12环境。本次使用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，无需下载预训练模型。

点击“提交建模需求”，粘贴：

使用已绑定的NuCLS QC图像和CSV，按split.json固定患者划分，独立实现细胞核实例分割与肿瘤、间质、淋巴三分类。只用polyline作轮廓真值，按main_classification映射类别；矩形及点区域不作为背景负例。采用监督多尺度前景特征、距离分水岭和对象分类器，保存模型、实例ID图、逐核CSV、彩色轮廓及匹配评价。冲突轮廓像素排除并计数。冻结参数后处理留出患者，生成带PathoWish元素的报告。

在需求核对页确认输入范围与运行环境后提交。

3. 核对文献依据与开发方案

阶段1阅读NuCLS开放全文，重点看混合标注、QC类别和轮廓评价。需要补充PDF时，在阶段2“参考文献与自备材料”添加论文。

这里复用数据语义和评价思路，自己实现三个模块：30维多尺度颜色特征学习核前景；距离峰与分水岭生成实例；18维形态和H&E颜色统计学习三类对象。前景模型64棵ExtraTrees，对象模型128棵，随机种子20261015。分水岭前景阈值0.5、最小面积16像素、峰间距6像素，均在测试前固定。

在阶段2确认方案后，观察阶段3与阶段4的持续进度。本次模型评审遇到两处真实实现问题：轮廓栅格化有交叠，以及程序误把原始类别字段当作归并字段。它分别创建子版本，排除冲突像素、改读 main_classification，然后重新执行；原始失败记录和固定患者划分均保留。

4. 一起看实例与类别结果

三个留出视野输出313个预测实例；其中72个具有本次所用三类真实轮廓的核参与匹配。用一对一IoU匹配并要求IoU≥0.5，61个真值核成功匹配，匹配召回为84.72%；61个匹配核中44个类别正确，匹配类别准确率72.13%。

第一张对照图里，大量核能被分开，但第二行肿瘤视野的类别预测明显不理想。整体数值受淋巴细胞占比较高影响，应把逐类表和原图一起看。后续改进可增加独立患者的肿瘤、间质训练轮廓，并另设验证集；本次保留原始留出结果。

5. 找到对象表、报告与代码

在“结果与图表”打开本次报告，点击“打开结果文件夹”，查看 nuclei.csv、matches.csv、predictions.npz和PNG。CSV每一行都有视野、实例ID、类别、像素面积与质心，可按ID回到实例图核对。使用“打开项目代码”继续修改特征、分类器或分水岭模块。

下载包的 python run_case.py只核对输入，python run_case.py --run会重跑已公开的固定代码。新结果进入 project/artifacts/versions，原始 results作为参考保留；模型文件 nuclei-models.joblib的来源和SHA在 model-manifest.json。

方法与核验记录

训练按患者分开，像素抽样仅来自训练视野。背景负例取真实轮廓附近、所有已标注框之外的区域。轮廓交叠像素从实例及监督范围中排除并计数；留出三视野分别排除4、0、79个冲突像素，没有实例因此完全消失。前景Dice在真实轮廓及邻近有效背景内计算，三个视野分别为0.9447、0.9277、0.9222。因为QC是轮廓与框混合标注，313个全视野预测不能直接作为全图检测精确率的分母。

独立核验将313个实例的ID、类别、面积与质心逐一和数组比较，并复算72个评价行、61个匹配及44个正确类别。所有输入哈希不变。本例保留了当前模型评审与子版本修复链。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，*NuCLS: A scalable crowdsourcing approach and dataset for nucleus classification and segmentation in breast cancer*. GigaScience, 2022, giac037。原始数据使用CC0 1.0，包内保留官方来源和固定子集。当前两个模型均由本次代码训练。