动机
细胞轮廓的微小变化，就可能影响测得的大小和形状。
01 / 项目速览
一眼看懂这个项目。
问题
更好的分割，是否也意味着更可靠的测量和更有用的预测？
方法
比较已有分割方法，分析形态特征，再评估它们对下游任务的价值。
证据
分别检查参考标注一致性、测量依据与预测价值。
贡献
组织可追踪的比较研究流程，明确每项评估能说明什么。
收获
看起来合理的轮廓还不够，每一步下游结论都需要独立证据。
02 / 不同的边界假设
同一个任务，不同的假设。
四种可选方法，而非同一模型的四个连续阶段。
合成几何示意 · 非模型输出
细胞核 → 几何扩展
QuPath
检测细胞核，再向外扩展区域。统一扩展距离让假设更加直观。
需要核验的假设: 固定扩展不能表示所有不规则细胞边界。
特征 → 流场
Cellpose-DINO
利用学习到的图像特征和像素流，恢复独立细胞实例。
需要核验的假设: 流场一致性不等于细胞膜边界在解剖上准确。
细胞核 → 细胞候选区域
Cyto R-CNN
依据细胞核候选框定位周围区域，再预测全细胞掩膜。
需要核验的假设: 漏检的细胞核可能限制后续可恢复的细胞数量。
细胞核 + 边界估计
CSGO
结合细胞核种子、膜边界估计及分水岭区域分配。
需要核验的假设: 分配出的区域不自动等同于经过验证的全细胞边界。
03 / 三层证据
好的轮廓，并不是终点。
是否重合？
与专家参考标注的一致性。
IoU · PQ · Boundary F1测量是否可靠？
面积误差与保留对象群体。
面积 · 形状 · 保留规则是否增加有用信息？
相对公平基线的增量价值。
图像 vs 形态 vs 融合这是侧重方法的公开简介。现有资料未确认硕士评估与发布许可，因此不公开具体数值、原始图表及项目专属配置，也不会将其隐藏在网页源代码中。
04 / 技术深读
完整流程，按需深入。
01研究问题与贡献边界比较已有方法，而非提出新的分割架构。
我的贡献是比较并连接已有方法：把图像变成带编号的对象，把对象变成测量，再把测量变成可评估的特征。原始分割架构属于各自作者。
恢复对象
能否找到参考标注中的独立细胞，轮廓是否重合？
测量对象
保留对象的测量是否一致，哪些对象被排除了？
使用特征
在公平比较下，形态特征是否提供图像特征以外的信息？
02数据、标定与独立性不同数据回答不同问题。
有参考标注的评估
CytoNuke 提供专家审核的细胞核与全细胞标注。这是两个不同目标，细胞核掩膜不等于全细胞掩膜。
下游组织分析
口腔组织学图像用于研究推断的形态及分级相关特征。缺少参考轮廓时，仅凭方法间一致不能证明解剖准确性。
划分数据时保留相关图像的组关系；测面积前核验物理比例；缩放掩膜时保留实例标签；记录数据来源、分组假设和排除规则，不从整理后的文件路径推断。
本公开简介不包含队列具体数量、病例身份、图像文件或数据清单。
03四类分割方法输入、原理、假设与配置选择。
细胞核检测与几何扩展
染色分离与分水岭定位细胞核，扩展距离估计周围细胞区域。
配置需要考虑: 检测阈值、物理扩展半径和细胞核大小限制。
特征、前景与流场
DINO 表征支持前景与像素流预测，通过流场恢复区分实例。
配置需要考虑: 微调范围、假设直径、前景阈值、流场筛选与最小尺寸。
以细胞核为条件的全细胞掩膜
多尺度特征与细胞核候选框，为全细胞掩膜预测提供区域。
配置需要考虑: 可训练的细胞预测头、候选分数、非极大值抑制和保留掩膜面积。
细胞核、膜估计与分水岭
细胞核种子与预测膜边界，引导类似细胞的区域分配。
配置需要考虑: 细胞核检测、膜阈值、区域大小与前景约束。
比较对象是完整配置的流程，预训练、适配、参数搜索及后处理都会影响结果，不能仅归因于架构。此公开版本不分发项目专属配置与训练记录。
04完整研究流程从数据核验到证据解释，逐步完成。
- 01
准备
核验图像、单位、标注及相关样本组。
- 02
适配
复用预训练方法，明确哪些组件被更新。
- 03
选择
在开发数据上选择参数和检查点。
- 04
验证
检查掩膜形状、标签与选择依据。
- 05
测试
固定已选设置，再进行最终比较。
- 06
应用
将各替代方法独立应用于目标图像。
- 07
测量
计算形状、大小、对象保留条件与病例摘要。
- 08
表征
用冻结图像模型提取另一条特征路径。
- 09
比较
公平评估图像、形态与融合分支。
- 10
解释
审查输出，说明证据实际支持的结论。
统一输出为二维整数掩膜：零表示背景，正整数区分独立对象。这样便于下游比较，但不意味着不同方法预测的是同一种解剖边界。
05分割与测量评估为什么一个好分数不能验证整条流程。
IoU = |P ∩ R| / |P ∪ R|
P 为预测对象，R 为参考对象。一对一匹配避免多个碎片重复匹配同一个参考细胞。
PQ = Σ IoU / (TP + ½ FP + ½ FN)
对已接受匹配对的 IoU 求和。TP、FP 和 FN 分别为匹配预测、未匹配预测及漏检参考；分数必须配合匹配规则说明。
e = |Apred − Aref| / Aref
只比较符合条件的匹配对象面积，漏检细胞不会计入。低误差可能仅描述筛选后的子集，而非全部组织细胞。
既报告误差，也报告保留对象数量。在独立采样层次汇总；少量患者的数千细胞不等于数千独立患者。边界容差、边缘对象规则与平均方式都应明确。
06形态测量：交互式解释改变模拟轮廓，观察测量如何变化。
几何示意。虚线为平滑参考轮廓。示例比例为每个模拟像素 0.5 μm。
改变边界，观察测量变化。
- 面积
- 733.8μm²
- 周长
- 100.9μm
- 圆度
- 0.9070–1
数值仅根据此多边形计算，不使用患者数据或论文中的测量结果。
A = Npixels × s2
s 为每像素对应物理长度，面积与其平方成正比。
C = 4πA / P2
A 是面积，P 是周长。在连续几何中圆形的圆度为 1；像素周长估计可能不同。
面积、周长、圆度、偏心率、实心度、长宽比及邻居距离描述不同形态属性。病例摘要还应记录数量、边缘对象排除、密度与异质性。摘要变化可能来自保留对象群体变化，不仅仅是边界变化。
07下游分类与验证在可比较分区下评估图像、形态及融合特征。
仅图像
冻结 Phikon-v2 表征从组织图像中提供基准特征。
仅形态
每种分割方法提供独立的对象形态特征。
特征融合
组合两类特征，并与相同的仅图像基线比较。
一个图像分支、四个形态分支与四个融合分支构成九组比较。使用正则化逻辑回归控制分类阶段，而非再加入一个大型神经网络。
- 01外层分组相关病例保持同组
- 02内层选择只在训练组内调参
- 03折内预处理仅用训练数据拟合缩放和 PCA
- 04留出预测在相同病例和分区上比较
BA = (Sensitivity + Specificity) / 2
它对两类召回率赋予相同权重。AUROC 与 Macro-F1 提供补充视角，但不能代替独立数据。
08不确定性、来源效应与局限追问好结果还可能由哪些因素解释。
配对比较
在相同留出病例上比较融合与图像模型，追问差异是否具有实际意义。
有条件的不确定性
重采样固定折外预测，反映的是已拟合流程条件下的不确定性，不包含重新训练的全部变异。
来源对照
来源代理基线可能揭示捷径。较强表现意味着需要调查，不能直接证明某种扫描仪或染色原因。
预训练来源
项目内分组不能证明与未知上游预训练数据独立，需要记录可核验与不可核验的部分。
05 / 批判性反思
从看起来合理，到有证据支撑。
这个项目改变了我对评估的理解。合理的边界或较高分数只是部分证据；测量、数据来源和下游决策都需要分别核验。
当时
比较分割分数
现在的认识
检出、面积准确性和预测价值各不相同。
下一步
分别使用独立评价目标验证。
当时
测量推断轮廓
现在的认识
保留规则改变结果所描述的对象群体。
下一步
报告边缘规则、漏检对象与测量支持范围。
当时
使用分组评估
现在的认识
分组不能解决未知预训练暴露。
下一步
审查来源并寻求外部独立队列。
当时
比较特征分支
现在的认识
来源构成可能被误认为生物学信号。
下一步
设置来源对照，并开展跨采集条件验证。
当时
报告不确定性
现在的认识
固定预测区间不包含重新训练的变异。
下一步
重复完整流程并增加独立参考标注。
这些是现在的反思与拟议改进，不表示额外实验已经完成。
↗来源、致谢与公开边界核验了什么、公开了什么，以及哪些材料保留为私有。
已核阅论文、源代码归档和保存的汇总输出，以避免不准确的项目描述。此处仅发布概念性方法简介，不嵌入私有记录或未公开的具体数值。
政策核查日期：2026 年 11 月 4 日。已完成评估的学生作品能否分享，仍取决于权利归属、合作、课程、第三方及数据条件；一般政策并不构成项目专属许可。本站不分发论文 PDF、原始研究源码、模型权重或患者图像。
示意图为原创几何图形，不重建患者图像，也不代表新的模型实验。