HE病理图像细胞分类与自定义模型训练——泰立瑞TR-HECellSage的功能与应用

作者：泰立瑞

更新日期：2026-11-03

HE（H&E，苏木精—伊红）染色是病理研究中常见的组织观察方式。它保留了细胞与组织形态，也带来了具体的定量难题：在选定区域里，哪些细胞属于目标类型？不同类型各有多少？它们分布在组织的什么位置？如果每次都依靠逐个辨认和手工计数，大区域、多切片的结果整理会变得繁琐。

TR-HECellSage 是泰立瑞（Terrydr）图像分析软件面向 H&E 病理图像的细胞识别、自动分类与自定义模型训练模块。 研究者既可以选择已有模型进行分析，也可以利用自己标注分类的细胞训练模型，保存后将该模型用于后续 HE 图像的细胞识别与分类。经过核查的细胞类别与位置，还可继续用于细胞组成和空间分布研究。

对于需要按课题定义细胞类别的团队，自定义训练是这套 HE 病理图像分析软件的一项重点能力：将研究者的分类标注转化为可复用的模型，再把模型应用回图像，在原位结果中检查识别是否符合研究要求。

从形态观察到可分析的细胞对象

H&E 图像中的细胞识别，需要处理细胞核拥挤、大小和形状差异、染色变化以及复杂组织背景。细胞分类不仅要找到对象，还要根据形态信息区分类型。以 HoVer-Net 为代表的研究，已将组织学图像中的细胞核分割与分类作为联合任务进行探索，体现了这类问题的技术复杂性。Graham 等，Medical Image Analysis，2019

TR-HECellSage 面向这一分析需求，将 H&E 图像中的细胞识别、分类和结果查看衔接起来。内置模型示例包含中性粒细胞、肿瘤细胞、上皮细胞、结缔细胞和淋巴细胞。研究者可以选择合适模型开展识别，也可以用自己的细胞分类标注训练模型，让分类方案贴合课题需要。

对于研究者而言，细胞对象具有数量、类别和原位坐标，意味着可以继续问更具体的问题：某个区域中各类细胞如何组成？同一张切片的两个区域有何差异？某类细胞主要聚集在何处？这些问题可以从整体视觉印象转向明确区域内的定量分析。

哪些场景适合使用 TR-HECellSage

左右滑动可查看完整表格

这些场景共同依赖组织图像质量与研究问题的清楚定义。样本出现失焦、折叠、坏死碎屑或染色异常时，应在区域选择和结果检查中单独处理，避免将明显的图像问题带入细胞统计。

图1｜在分析检测页选择模型，查看细胞类别与配色，再对目标图像运行识别。

实际操作：划定区域、运行分析、回到原图检查

研究者先打开 H&E 图像，创建或选择批注区域（在图像中划定的分析范围），再进入对应的 HE 分析功能，在“分析检测”页选择本次使用的模型。模型可以是已有系统模型，也可以是自己训练并保存的模型。运行前应确认图像类型、选中区域及现有检测对象；操作流程涉及清除批注下已有检测结果时，需要按界面提示确认。

分析完成后，可载入、查看和保存结果。细胞通过不同颜色显示类别，研究者能够结合细胞对象与原图检查分类，并在需要时进一步进入空间分析。

图2｜分类结果叠加在 HE 原图上，细胞位置、轮廓与组织形态可以同时查看。

建议先选择具有代表性的区域验证结果，包括细胞密集区、组织边缘和形态变化明显的区域。检查时不应只看颜色是否整齐，还要查看对象是否对应真实细胞、拥挤处是否存在粘连、背景碎屑是否被误识别，以及分类是否符合所在组织的形态语境。

当分析范围扩大时，应保留相同的检查口径。研究中的细胞比例还受到 ROI（感兴趣区域） 范围影响：只选择肿瘤实性区，与同时纳入周围间质，得到的组成结果可能不同。因此，区域定义应与细胞结果一起记录。

核心能力：用自己的标注训练模型，再用于 HE 图像识别

TR-HECellSage 支持研究者训练自己的细胞分类模型，并将训练后的模型用于图像识别。围绕这一能力，软件提供“自定义训练”“模型管理”和“分析检测”三个相衔接的页面，让标注、训练、模型保存与实际应用形成连续流程。

1. 准备有明确类别的细胞标注

自定义训练使用已分类的细胞作为训练数据。研究者先明确研究需要区分哪些形态学类别，在代表性区域中完成细胞分类标注，再在训练页选择对应批注、刷新统计，核对各类别的细胞数和颜色。

例如，课题需要区分的细胞形态与已有模型类别不完全一致时，可以先整理自己的分类定义，再据此准备训练样本。标注应覆盖相应类别在不同组织背景和形态状态下的表现；容易混淆的类别需要采用一致的判断标准。训练数据的类别名称，应与后续希望获得的识别结果对应。

2. 配置并运行自定义模型训练

训练页可填写模型名称与备注，设置验证集比例、类别均衡采样，并配置分类器参数。训练设置支持多层感知机（MLP）分类器，以及训练轮数、批大小、学习率、隐藏层维度和标签平滑等设置，同时提供训练日志与启动入口。

这些选项使研究者能够围绕自己的分类数据组织训练，并通过模型名称与备注记录用途。结合标注数量、类别分布和验证结果调整参数，可以更有针对性地组织训练。

图3｜自定义训练页集中组织已分类细胞、模型信息、验证集比例与分类器参数。

3. 保存和管理训练后的模型

训练后，模型可保存并在“模型管理”页中管理。研究者可以核对模型名称、类型、备注、来源图像及分类信息，并按需要修改名称、备注和分类显示颜色。清楚记录模型面向的类别和样本条件，有助于后续选择合适模型进行分析。

模型管理界面还设有准确度、精确率、召回率和 F1-Score 等记录列。查看时应结合实际训练与验证记录理解这些指标，并核对各类别表现；在新的代表性图像上查看各类细胞的识别结果，有助于确定模型的应用范围。

图4｜模型管理页集中查看模型列表、来源、类别与显示颜色，便于选择和管理分析模型。

4. 选择自己的模型，识别后续 HE 图像

打开需要分析的 HE 图像并选定区域后，在“分析检测”页选择已经训练和保存的自定义模型，核对类别与配色，再运行细胞识别和分类。分析完成后，可在原图中查看按类别着色的细胞，检查目标细胞是否正确识别、相近类型是否混淆，以及组织背景变化是否影响结果。

这使自定义训练的价值落到后续图像分析中：研究者能够将自己的分类标准用于后续图像分析，并对模型结果进行核查。当染色、扫描条件或组织类型变化时，建议先在未参与训练的代表性图像上检查各类别表现，再决定应用范围。必要时补充有代表性的分类标注，重新训练并比较结果。

完整操作路径可以概括为：细胞分类标注 → 自定义模型训练 → 模型保存与管理 → 选择模型识别 HE 图像 → 原图核查与后续分析。

HE 形态学分类与免疫荧光表型怎样衔接

H&E 提供形态信息，多重免疫荧光提供 marker（标记物） 表达信息。两种数据在研究中可以互相补充，但分类依据不同。例如，HE 中的形态学炎症细胞分类，不能直接细化为某个需要特定免疫 marker 支持的亚群。

如果研究问题需要定义蛋白阳性、阴性组合，或研究特定免疫亚型，应结合相应染色与表型分析；如果主要关注常规 HE 图像中的细胞组成、空间位置和形态学微环境，TR-HECellSage 可提供相应分析入口。

涉及 HE 与其他染色图像比较时，可先通过 TR-StainSync 进行跨模态配准，或通过 TR-DotAlign 使用人工对应点对齐，再检查组织对应情况。连续切片存在厚度和切面差异，即使组织轮廓对齐，也需要根据数据条件判断是否适合做细胞层面对应。

从细胞分类进入空间分析

完成细胞分类后，研究者可以借助 TR-Spa 进一步查看不同细胞类型之间的最小距离、连接网络、局部邻域与密度分布。这样可以同时保留“是什么类型”和“位于什么位置”两类信息。

例如，面对两个细胞组成相近的区域，可以继续比较细胞是否呈现聚集、弥散或边缘分布。空间结果需要建立在分类检查的基础上：如果某类细胞在上游被系统性误分，其距离和邻域结果也会随之改变。

TR-HECellSage 的特点与软件整体配合

TR-HECellSage 的一项核心特点，是把自己的细胞分类标注、模型训练和图像识别放在同一分析流程中。研究者可以围绕课题所需类别准备数据，训练并保存模型，再将其用于后续 HE 图像。对于需要建立特定分类方案的团队，这提供了把专业标注持续用于图像分析的途径。

模型管理支持区分不同模型的名称、备注和分类信息，有助于研究者明确“当前使用哪个模型、它区分哪些细胞”。识别结果叠加在原图中，便于结合组织结构核查。模型复用与原图检查相衔接，是从试验性标注走向持续分析时的实际价值。

TR-HECellSage 形成的形态学细胞类别与坐标，可以继续用于 TR-Spa。若研究需要免疫 marker 定义的细胞亚群，应结合相应染色及表型分析路径；跨图像比较时，还需先检查配准与组织对应关系。

泰立瑞图像分析模块与功能

泰立瑞图像分析软件覆盖图像准备、细胞分析、结果质控与任务执行。研究者可根据图像类型和研究目标，选择相应模块衔接分析流程。

左右滑动可查看完整表格

常见问题

只有 HE 图像，能否开展细胞分类和空间分布分析？

可以。泰立瑞 TR-HECellSage 可依据 HE（H&E）图像的细胞形态开展识别与分类，支持选择已有模型，或训练符合课题类别定义的自定义模型。核查原图中的细胞对象和分类结果后，可结合类别与坐标使用 TR-Spa 研究细胞组成和空间分布。

预置的 HE 细胞类别与课题需要不一致时，能否自己训练分类模型？

可以。TR-HECellSage 支持使用已分类的细胞作为训练数据，建立自定义细胞分类模型，并在模型管理中保存、命名和记录类别信息。研究者可围绕需要区分的形态学类别组织标注、设置训练与验证条件，训练后再将模型用于后续 HE 图像的识别和分类。

训练 HE 细胞分类模型，需要准备哪些标注数据？

需要具有明确类别的已分类细胞，并在 TR-HECellSage 的训练页选择对应批注、核对各类别及细胞数量。标注应覆盖目标类别的代表性形态和组织背景，容易混淆的类别需采用一致标准。训练时可设置验证集比例和类别均衡采样，再结合验证记录及未参与训练的代表性图像检查各类表现。

训练并保存的模型，怎样用于后续新的 HE 图像？

打开待分析 HE 图像并选定批注区域，在 TR-HECellSage 的“分析检测”页选择已保存的自定义模型，核对类别后运行，再回到原图检查识别、分类和原位分布。新图像的组织、染色或扫描条件变化时，应先在代表性区域检查模型适用性，并记录所用模型名称和应用条件。

HE 形态学细胞分类与免疫荧光标记物表型有什么区别，应该怎样选择？

TR-HECellSage 根据 HE 图像中的形态特征区分细胞，适合形态学细胞组成与空间研究。多重免疫荧光表型则依据实际检测的标记物组合定义类别，可用 TR-PhenoClass 开展分析。若课题需要按 CD3、CD8 等标记物区分群体，应准备相应染色和检测数据，HE 形态类别不能直接替代这些标记物测量。

如果正在寻找支持 HE 病理图像细胞分类、自定义细胞分类模型训练和图像识别的软件，可查看泰立瑞图像分析软件介绍，或联系泰立瑞提供图像示例、目标类别与研究需求，讨论从标注、训练到识别和空间分析的流程。

相关产品与分析服务

• 泰立瑞图像分析软件完整功能
• TR-HECellSage HE 细胞分类
• TR-Spa 组织空间分析
• 多重免疫荧光图像分析服务