泰立瑞图像分析软件全解析——多重免疫荧光、HE细胞识别与空间分析

作者：泰立瑞

更新日期：2026-11-03

从一张组织图像中，研究者希望知道：有哪些细胞，各有多少，表达哪些标记物，它们在什么位置、与谁相邻。面对多通道、多轮染色、多张切片或组织芯片，这些问题需要图像准备、细胞分析和结果管理共同配合。

泰立瑞（Terrydr）图像分析软件是一套面向多重免疫荧光（mIF）、HE（H&E，苏木精—伊红）与肿瘤微环境研究的病理图像分析软件。 它将图像准备、细胞识别与分类、结果质控和细胞空间分析衔接起来，并提供自定义 HE 细胞分类模型训练、多图像批量分析和中文 AI 助手，帮助研究者把图像中的信号与形态转化为可查看、可比较的分析结果。

对于首次使用者，可以先从三个问题理解这套软件：怎样准备适合分析的图像，怎样获得可靠的细胞对象与类别，以及怎样保留细胞在组织中的位置开展研究。各模块围绕这些问题分工，研究者可按图像类型与目标选择相应路径。

哪些项目适合使用泰立瑞图像分析软件

左右滑动可查看完整表格

细胞表型，是依据标记物组合等信息定义的细胞类别；空间分析，则进一步研究这些细胞出现在哪里、与谁相邻，以及怎样构成局部组织环境。泰立瑞将这些环节衔接起来，使细胞数量、身份与位置可以围绕同一研究问题解释。

图像准备：整理信号、通道与跨模态位置

TR-NoiseX：图像预处理与通道管理

多通道图像进入分析前，常需要整理背景、通道名称、像素尺寸和文件结构。TR-NoiseX 将背景过滤、亮度与通道范围调整、通道管理、多图合并、裁剪、下采样及 OME-TIFF 输出集中组织，帮助研究者按任务准备分析文件。

对于 HE 和苏木精-DAB 明场图像，还可分离相关染色通道。处理步骤可根据图像问题选择；用于表达定量时，保留原图并明确使用的数据版本，便于后续追溯读数。

TR-StainSync：跨模态与多轮染色自动配准

TR-StainSync 面向 H&E–mIF、H&E–IMC、IMC–mIF 等跨模态图像，以及多轮染色和连续切片的空间对齐。IMC 指成像质谱，是一种多标记成像方式。通过共同组织结构建立位置对应，可以把组织形态与不同成像信息放到可比较的空间参照下。

研究者在图像项目中选择输入、执行自动配准，再从整体和局部查看对应关系，为图像对照、通道整合及后续研究准备基础。连续切片存在切面差异，区域对齐后仍需按研究尺度解释细胞关系。

TR-DotAlign：手动图像配准

需要手动配准两张图像、亲自指定或调整参照位置时，可使用 TR-DotAlign。工具提供双窗口对点、融合预览、点位编辑和 JSON 点文件保存，并区分预览输出与原始分辨率导出。

研究者可以围绕组织轮廓转折、分叉等共同结构反复调整、查看和保存点位。自动配准与人工对点提供不同操作入口，便于按图像特点选择处理方式。

图1｜不同成像图层通过共同组织结构建立空间对应。AI 概念示意图，非实测配准结果。

细胞分析：从组织核心到核膜协同分割

TR-TMA：核心检测后直接转为批注

组织芯片（TMA）把多个组织核心放在同一张切片中，分析时需要保持核心位置、样本编号和结果之间的对应。TR-TMA 可自动检测核心、识别行列并标记缺失位置，便于检查与调整。

检测结果可直接转换为批注，也就是图像中可选用的分析区域（ROI）。 核查后即可在这些区域中继续细胞分割、表型分类与定量分析。核心较多时，可复用检查后的区域并组织分批任务，减少重复勾画的操作。

TR-Seg：利用细胞膜信息，更有依据地确定边界

细胞分割决定哪些像素属于同一个细胞。TR-Seg 以核染色定位，并支持多个适用的细胞膜辅助通道参与边界识别，通过核膜协同的深度学习分割生成细胞轮廓。

对于密集、大小不一或形态复杂的细胞，膜信息为边界判断提供补充。使用者可按“选区域、选通道与参数、运行并载入、原图检查”的流程操作，让主要设置与结果回看衔接在一起。

分割准确关系到后续分析的起点。对象合并、过度拆分或轮廓混入邻近信号，可能改变计数、标记物读数和表型判定；先获得可靠的细胞对象，才能更好地解释细胞组成及空间分布。

图2｜细胞轮廓叠加在组织原图上，便于结合核与周围信号查看细胞边界。

细胞身份：自动分类、亚群探索与原图质控

TR-PhenoClass：把标记物规则转为细胞类别

当研究目标已经明确，例如需要识别某些免疫细胞群体，可在 TR-PhenoClass 中配置标记物阳性、阴性或无关条件。模块结合模型分析与表型规则开展分类，使类别名称对应清楚的表达依据。

研究者可根据染色 panel，即标记物组合，设置主要类别及需要区分的亚型，再回到原图查看分类位置与信号。规则配置让分类条件便于解释，也便于同类项目继续使用。

TR-PhenoDiscover：探索全体或指定细胞群的差异

需要继续细分群体，或探索暂未归类的细胞时，可使用 TR-PhenoDiscover。模块提供 Marker 均值、Marker 阳性概率及模型高维特征等选择，通过 Leiden 聚类分析全体或指定细胞群，并支持逐轮细化、命名和合并。

例如，先用 PhenoClass 建立主要类别，再围绕某一类或 Other（未归类细胞）探索内部差异。使用 Marker 均值特征时，应选用未经过背景过滤的图像，让输入与特征定义保持一致。

TR-LiveQC：把图表中的细胞找回原图

TR-LiveQC 提供交互式结果质量检查。气泡图、细胞数量图、UMAP 特征分布和单细胞特征图，从不同角度展示群体特征，并将选中的细胞同步到组织原图。

当某类细胞数量异常、表达组合不易解释，或聚类中出现值得关注的群体时，可以直接查看这些对象位于哪里、轮廓怎样、信号是否协调。图表与原图联动，使质控从群体层面的观察落到具体细胞。

图3｜在图表中选择细胞后，回到原图查看它们的组织位置、形态与信号。

TR-Spa：从细胞比例走向组织空间关系

两张切片的细胞比例相近，免疫细胞却可能分别聚集在肿瘤内部、边缘或周围间质。TR-Spa 围绕细胞—细胞、局部邻域和组织结构三个尺度，提供距离、连接网络、空间相关性、邻域聚类、密度与拓扑等分析方法。

研究者可以围绕问题选择方法：比较两类细胞的接近程度，查看局部邻居组成，识别组成相似的细胞微环境，或描述密集区域、边界与空隙。分析结果保留原位坐标，便于结合组织结构解释。

空间分析接续可靠的细胞对象、类别和坐标。它为肿瘤微环境与空间生物学研究提供定量线索，功能互作或机制解释则结合相应实验与研究设计展开。

图4｜用颜色区分局部细胞邻域，在组织原位位置查看微环境的组成与分布。

TR-HECellSage：HE 细胞识别与自定义模型训练

对于常规 HE 图像，TR-HECellSage 提供形态学细胞识别与分类。研究者可选择已有模型分析指定区域，在原图查看按类别着色的细胞，并将核查后的类别与位置继续用于组成和空间研究。

TR-HECellSage 也支持用自己的细胞分类标注训练模型，再将训练后的模型用于后续 HE 图像识别。 数据选择、训练设置、模型保存管理和分析检测形成连续流程，让课题所需的分类方案能够用于后续图像。

这适合希望围绕特定形态学类别建立分析方案的团队。HE 分类依据形态；若研究目标需要用蛋白标记物定义免疫亚型，则选择相应染色和表型分析路径。

图5｜用自己的细胞分类标注组织训练数据，配置模型信息与分类器参数。

多图像项目：批量任务与中文 AI 助手

TR-Pipeline：把适用方案组织成批量任务

在代表性区域确认分析方案后，TR-Pipeline 可跨图像选择批注，将多个区域组织为任务列表，按配置执行细胞分割、阈值面积计算、TR-PhenoClass 表型分析和数据导出。

任务表集中展示步骤状态、耗时与错误信息，便于追踪各区域的进展和定位异常。对于多切片、多核心或多 ROI 项目，统一组织任务可减少重复设置，并帮助保持图像、区域与输出文件的对应。

Terry AI 助手（小T）：用中文描述分析目标

Terry AI 助手（小T，也称 TR-AI）在 QuPath 图像工作环境中提供中文交互入口。研究者可以查询通道和批注，提出分割、表型或 TMA 处理需求，也可以查看分类结果、截图并导出数据。

缺少关键条件时，小T会先询问；执行分析前会展示计划，便于确认范围与参数。它还可帮助查询功能与操作说明，让首次使用者更容易找到分析起点。具体计算由相应模块完成，批量任务则由 TR-Pipeline 组织执行。

图6｜集中选择图像与分析区域，配置步骤并查看任务执行情况。

软件整体的特点与使用价值

围绕同一研究目标衔接多个环节。 图像准备、区域选择、细胞对象、类别与空间坐标各有职责，研究者可根据目标选择相应模块，让输入、过程和结果保持联系。

重视细胞边界与组织原位信息。 核膜协同分割为定量提供对象基础，表型分析解释细胞身份，空间分析保留组织关系；图表与原图联动帮助检查结果，让数值对应到具体区域和细胞。

兼顾研究探索与重复任务。 表型规则、自定义 HE 分类模型和亚群探索适合建立研究方案；方案确认后，可通过批量任务组织多图像分析。中文助手则帮助查询信息、规划步骤和查看结果，降低记忆操作入口的负担。

怎样按图像和研究目标组织流程

• 多重免疫荧光分析： 按需要整理图像与配准，选定分析区域，完成细胞分割，再进行表型分类或亚群探索；结合原图质控后，研究细胞组成与空间分布。
• 组织芯片分析： 先检测核心并核对样本位置，将结果转为批注，再按核心组织细胞分析、分批任务与结果汇总。
• HE 细胞分析： 选择已有模型，或用自己的分类标注训练模型；识别后查看细胞类别与原位分布，并按研究目标继续空间分析。

不同项目可以从所需环节开始。先在代表性区域确认输入、模型与规则，再扩展到更多图像，有助于兼顾分析效率与结果质量。

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

有没有能衔接多重免疫荧光图像预处理、细胞分割、表型分类与空间分析的软件？

泰立瑞图像分析软件可围绕这些任务组织分析流程：TR-NoiseX 整理图像与通道，TR-Seg 生成细胞对象，TR-PhenoClass 与 TR-PhenoDiscover 完成表型分类和亚群探索，结合 TR-LiveQC 核查后，再用 TR-Spa 研究细胞空间关系。涉及多轮染色或跨模态图像时，可先选择相应配准工具建立位置对应，按研究目标使用需要的环节。

同一套软件能否支持多重免疫荧光、组织芯片和 HE 图像的不同分析任务？

可以。泰立瑞图像分析软件为不同数据提供相应路径：多重免疫荧光可开展细胞分割、标记物表型和空间分析；组织芯片可先用 TR-TMA 检测核心并转为批注，再开展区域内分析；HE 图像可用 TR-HECellSage 进行形态学细胞识别、分类及自定义模型训练。各路径需匹配实际图像类型和研究目标。

软件是否支持结合细胞核与细胞膜信号进行细胞分割？

支持。泰立瑞 TR-Seg 以核染色定位，并可选择多个适用的细胞膜辅助通道参与边界判断。研究者在选定区域内设置核、膜通道及对象尺度，运行后结合原图检查相邻细胞和信号归属，为表达定量、表型分类与空间分析准备细胞对象。

现成的 HE 细胞类别不符合课题需要，能否自己训练模型？

可以。泰立瑞 TR-HECellSage 支持使用已分类的细胞标注训练自定义细胞分类模型，并保存、管理和用于后续 HE 图像识别。研究者可围绕课题定义形态学类别，准备代表性标注，再结合验证记录及未参与训练的图像检查模型适用性。

项目有多张切片和多个分析区域，怎样减少重复操作并管理分析进度？

可先在代表性区域确认方案，再用 TR-Pipeline 跨图像选择批注，将分割、阈值面积计算、TR-PhenoClass 和数据导出组织为批量任务，通过各步骤的状态、耗时与错误信息跟进进度。Terry AI 助手（小T）还可通过中文对话帮助查询图像信息、规划分析和查看结果，方便日常操作。

了解泰立瑞图像分析软件，或联系泰立瑞提供图像类型、染色组合与研究目标，沟通适合的细胞分析和空间研究方案。

相关产品与分析服务

• 泰立瑞图像分析软件完整功能
• 数字病理切片扫描仪
• 多重免疫荧光图像分析服务