WSI处理全攻略：使用HoVer-Net分析大型组织切片的完整流程

【免费下载链接】hover_netSimultaneous Nuclear Instance Segmentation and Classification in H&E Histology Images.项目地址: https://gitcode.com/gh_mirrors/ho/hover_net

HoVer-Net是一款强大的医学影像分析工具，专注于H&E组织切片的细胞核实例分割与分类。本指南将带您掌握使用HoVer-Net处理WSI（ Whole Slide Imaging，全切片成像）的完整流程，从环境配置到结果分析，让您轻松上手大型组织切片的智能分析。

📋 准备工作：环境配置与安装

1. 快速安装步骤

首先克隆项目仓库：

git clone https://gitcode.com/gh_mirrors/ho/hover_net cd hover_net

创建并激活conda环境：

conda env create -f environment.yml conda activate hovernet

安装依赖包：

pip install -r requirements.txt

2. 核心文件说明

• 环境配置：environment.yml
• 依赖列表：requirements.txt
• 类型信息：type_info.json

🔍 HoVer-Net核心技术解析

1. 网络架构原理

HoVer-Net采用创新的多分支结构，同时实现细胞核实例分割与分类。其架构包含三个关键分支：

• NP分支：负责细胞核像素级分割
• HoVer分支：生成水平和垂直距离图，辅助实例分离
• NC分支：实现细胞核类型分类

图1：HoVer-Net网络架构示意图，展示了三个并行分支的工作流程

2. WSI处理核心模块

WSI处理的核心功能由以下模块实现：

• infer/wsi.py：WSI推理主程序
• misc/wsi_handler.py：WSI文件处理工具
• run_wsi.sh：WSI处理执行脚本

🚀 完整WSI处理流程

1. 准备WSI数据

将WSI文件放置在指定目录，建议组织结构如下：

dataset/ ├── sample_wsis/ │ ├── wsi/ # 存放WSI原始文件 │ ├── msk/ # 存放掩码文件（可选） │ └── out/ # 输出结果目录

2. 配置运行参数

打开run_wsi.sh文件，根据需求调整关键参数：

• --gpu：指定GPU设备
• --batch_size：批处理大小
• --input_dir：输入WSI目录
• --output_dir：输出结果目录
• --save_thumb：保存缩略图
• --save_mask：保存分割掩码

3. 执行WSI分析

运行以下命令启动WSI处理：

bash run_wsi.sh

程序将自动完成：

• WSI文件读取与预处理
• 多尺度分块推理
• 结果拼接与后处理
• 输出可视化结果

4. 查看分析结果

处理完成后，在output_dir中可找到：

• 带分割标记的WSI图像
• 细胞核分类结果
• 分析统计数据

图2：WSI处理前后对比，左侧为原始H&E组织切片，右侧为HoVer-Net分割结果，不同颜色标记不同类型的细胞核

💡 实用技巧与优化建议

1. 性能优化

• 调整--batch_size参数平衡速度与内存占用
• 增加--nr_inference_workers和--nr_post_proc_workers提高并行处理能力
• 根据GPU显存大小选择--model_mode=fast（快速模式）或完整模式

2. 结果质量提升

• 使用--input_mask_dir提供组织掩码，减少背景干扰
• 尝试不同的预处理参数，优化图像对比度
• 对于复杂组织切片，可先进行区域筛选再分析

📚 进阶学习资源

• 示例教程：examples/usage.ipynb
• 模型代码：models/hovernet/
• 评估指标：metrics/

通过本指南，您已经掌握了使用HoVer-Net进行WSI处理的核心流程。无论是医学研究还是临床应用，HoVer-Net都能为您提供高效准确的组织切片分析能力，助力您在数字病理领域的探索与创新。

【免费下载链接】hover_netSimultaneous Nuclear Instance Segmentation and Classification in H&E Histology Images.项目地址: https://gitcode.com/gh_mirrors/ho/hover_net