EnochChen_-CSDN博客

原创冷冻切片TS和BS的区别

在快速病理（尤其术中冰冻）中，临床常根据时间和诊断需求选择 TS 或 BS，很多情况下会结合两者使用以提高诊断准确性。制作方法：将组织块放在冷冻切片机里冷冻硬化，然后切成 5–10 μm 厚度的切片，进行快速 H&E 染色观察。制作方法：将新鲜组织在玻片上轻轻触碰或压一下，使细胞脱落到玻片表面，然后快速染色观察。缺点：制备时间略长，对技术要求较高，可能会有冰晶伪影影响。优点：可以看到组织学结构，诊断信息比 TS 更完整。缺点：只能观察脱落的细胞形态，组织结构信息有限。= “冷冻块切片”，更偏组织学。

2025-09-11 16:54:26 226

原创 QuPath 软件中Image相关属性解释

【代码】QuPath 软件中Image相关属性解释。

2025-07-14 10:31:20 251

原创肿瘤浸润淋巴细胞是什么，与三级淋巴结构的关系

肿瘤浸润淋巴细胞（）是指，主要包括T细胞、B细胞和自然杀伤（NK）细胞等。其中以最为常见。

2025-07-13 10:35:32 395

原创明场显微镜简介

明场显微镜是一种依靠样品吸收、散射透射光成像的显微镜。光源照射样品，透过的光直接进入物镜；样品的结构通过吸光和折射改变光的强度，形成亮-暗对比；最终在视野中显示为“明亮背景 + 暗色结构。

2025-07-09 16:29:58 306

原创三级淋巴结构简介

发生部位的异位性（非淋巴器官）形成方式的诱导性（炎症驱动）功能上的类二级性（免疫反应活性）TLS不是传统意义上的淋巴器官，而是在特定病理状态下“次生”形成的免疫微环境结构，因此被归类为“三级”。TME 是肿瘤微环境（Tumor Microenvironment）的缩写。TME 指的是肿瘤细胞周围的非肿瘤成分，包括多种细胞类型、基质和信号分子，共同构成了影响肿瘤发生、发展、免疫应答及治疗反应的复杂生态系统。TME的主要组成成分包括：免疫细胞（淋巴细胞、髓系细胞等）

2025-07-09 16:08:07 544

原创多实例学习简介

多实例学习（Multiple Instance Learning, MIL）是一种弱监督学习方法，主要特点是在训练过程中，标签是赋予 “样本包（bag）” 而不是单个实例（instance）。

2025-07-09 16:02:15 451

原创全息断层成像简介

不需要染色，即可识别细胞核、胞质、血管、腺体等结构；通过**干涉成像（光学全息）**记录振幅和相位；，从多角度的相位图中计算出样品的三维折射率分布。，可用于获取细胞和组织的三维结构与密度信息。利用相干光（如激光）从多个角度照射样品；折射率反映了材料对光传播的影响，与组织的。，通过记录光的散射信息来重建样品内部的。：实时观察药物处理下的细胞状态变化。收集样品对光波的散射或衍射信息；：追踪细胞分裂、细胞内器官运动；：测量细胞体积、密度、干质量等；、动态过程观察、组织病理分析。：如你当前的研究，将其用于。

2025-07-09 15:49:46 386

原创报错cv2.error:OpenCV(4.11.0)opencv/modules/imgcodecs/src/loadsave.cpp:79:error:(-215:Assertion failed

使用opencv打开图像的尺寸过大时就会报错，主要是OpenCV本身对加载的图像大小是由限制的，这个限制定义在modules\imgcodecs\src\loadsave.cpp。只需记住在设置环境变量之后导入opencv ，否则它将无法工作。支持的最大图像宽度高度 2^20最大像素数目2^30。这将将限制更改为2^40。

2025-06-04 14:48:24 994

原创把二级文件夹下的文件全部提取到一级文件夹

【代码】把二级文件夹下的文件全部提取到一级文件夹。

2025-06-03 13:17:15 323

原创计算A图片所有颜色占B图片红色区域的百分比

下面查看提取的mask是否正确额。

2025-06-03 11:27:02 395

原创 linux系统下/home/anaconda3/envs/py1/python.exe: can‘t open file ‘/home/info‘: No such file or directory

linux下python解释器配置错误解决方法

2025-05-20 10:49:43 765

原创 Understanding Deep Learning 第三章 Shallow neural networks

当一层中的每个变量都连接到下一层中的每个变量时，我们称之为全连接网络。对于每个输出，多面体是相同的，但是它们包含的线性函数可能不同。这些功能的四个“连接点”（在垂直虚线处）被限制在相同的位置，因为它们共享相同的隐藏单元，但斜率和整体高度可能不同。）的网络处理，每个隐藏单元的输入是两个输入的线性函数，对应一个有向平面。普遍逼近定理证明，只要有足够的隐藏单元，就存在一个浅层神经网络，它可以将定义在。我们一直在讨论一个有一个输入，一个输出和三个隐藏单元的神经网络。随着隐藏单元的增加，模型可以逼近更复杂的函数。

2025-02-15 14:39:22 934

原创 PyTorch深度学习实践【刘二大人】之卷积神经网络

GoogLeNet的Inception模块，思路就是我们不知道多大的卷积核更好，我们就多选择几种卷积核然后concatenate进行沿通道拼接。网络中全部用的线形层串行连接起来，我们叫做全连接网络。输入与输出任意两节点间都有权重，这样的线形层叫做全连接层。3通道的图像，与3个卷积核做内积得到3个新的3*3矩阵，并对应位置相加。在卷积层数过多时，会出现梯度消失的情况，需要用残差网络来解决这个问题。卷积神经网络的基本特征，先特征提取再进行分类。下面是此模型的主要代码。

2025-01-18 13:57:35 488

原创 PyTorch深度学习实践【刘二大人】之多分类问题

这个公式就能满足两个条件，每个可能输出的概率值都为正，其次所有概率加起来为1。多分类问题，最后用softmax层计算每个分类的值。相加求和，可以满足概率相加为1。zi是每种可能的概率值，分子。确保概率为正，分母把每个。

2025-01-13 15:24:19 383

原创 PyTorch深度学习实践【刘二大人】之加载数据集

只用一个样本会得到比较好的随机性，会帮助跨越鞍点。用全部样本计算速度会大大提升。深度学习中我们会使用mini-batch来均衡性能上时间上的需求。Iteration定义：每次训练使用batch-size的次数，即总样本数/batch-size。在梯度下降中有时用全部的数据，有时只用一个样本也称随机梯度下降。batch-size定义：每次训练时所用的样本数量。epoch定义：所有样本都参与了训练。batch-size为2并且打乱顺序。

2025-01-12 21:32:41 293

原创 PyTorch深度学习实践【刘二大人】之Logistic回归

下图是二分类的损失函数，本质上是交叉熵公式，用途是度量预测分布与真实分布之间的差异，最终预测值越大越好，说明越接近，但loss有负号，所以loss越小越好。下图就是一个经典的手写数字分类问题，判断数字是0到9的哪一个分类，要用回归的方式估算每个类别的概率为多少，最终选择概率最大的值。根据我们数据，(1,0)(2,0)(3,1)，我们推断在2.5小时就为0.5，就是图像的交点。前几节课的线性回归输出值为实数，我们要求概率，所以要把输出值映射为0到1的区间，就选取了。

2025-01-08 22:11:40 432

原创 PyTorch深度学习实践【刘二大人】之线性回归

前几节课中，我们都是手动去求导数，在pytorch中主要先构建计算图，梯度什么的会自动求出。另外插一句，本来loss求出也是一个列向量，但因为要求loss是一个标量，所以loss要进行求和，可以选择是否求均值。我们模型为y=w*x+b，w与b为了能与3行1列的矩阵相乘也变为3行1列。则在初始化时x_data与y_data值也是3行1列的矩阵。用pytorch写深度神经网路，主要分为以下四步。在numpy中做加法存在广播机制，维度不同的。

2025-01-07 22:00:17 218

原创 PyTorch深度学习实践【刘二大人】之反向传播

下面是f=x*w具体的反向传播过程，L对z的偏导是上一步传递过来的不用管，L对x和L对w的偏导都是链式法则，带入进行运算，如果x前面还有值就继续向前传递。但在网络比较复杂时候，进行一个个求导运算已经太过于复杂，于是我们考虑能否把网络看成一幅图，在图上传播梯度，最终根据链式法则求出梯度。对于线性模型进行反向传播，求出L对w的偏导后，用梯度下降算法对权重进行更新。下图我们可以发现经过化简，无论多少层，都可以看成wx+b，这说明线性模型具有局限性。在上一节课中，我们知道了要用损失对权重w求导，来更新权重。

2025-01-04 22:22:24 299

原创 Understanding Deep Learning 第二章 Supervised learning

相反，一个非常有表现力的模型可能描述训练数据的统计特性，这些特性是非典型的，并导致不寻常的预测。寻找使损失最小的参数的过程称为模型拟合、训练或学习。和斜率ф1），因此我们可以计算每个值组合的损失，并将损失函数可视化为一个曲面。定义了一个可能的投入产出关系族（所有可能的直线），参数的选择决定了这个族的成员（特定的直线）。更低的损失意味着更好的匹配。线性回归有一个明显的缺点，它只能将输入和输出之间的关系描述为一条直线。章）同样具有表现力，但可以用更少的参数描述复杂的函数，并且在实践中工作得更好。

2025-01-04 16:53:59 834

原创 Understanding Deep Learning第一章Introduction

然而，这些行动以一种不确定的方式改变了系统的状态，对于任何行动的选择，对手玩家可能会做出许多不同的反应。机器人可以在给定的时间内执行有限数量的动作（移动不同的关节），这些动作会改变世界的状态（它的姿势）。中的模型接收包含餐厅评论的文本字符串作为输入，并预测该评论是正面的还是负面的。它可以是离散的或连续的，低维的或高维的，长度恒定的或可变的。为两张真实图像找到这些变量，插值它们的值，然后使用这些中间变量来创建新图像，我们可以生成中间结果，这些中间结果在视觉上是可信的，并且混合了两张原始图像的特征。

2025-01-03 22:17:13 1043

原创 PyTorch深度学习实践【刘二大人】之梯度下降算法

梯度下降更新是以整个的所有数据的平均损失，随机梯度下降是从n个数据从里面随机选一个，这是更新公式变为了拿单个样本得损失进行更新。随机梯度下降只用一个样本，而所有样本都具有噪声，这样就引入了随机噪声，这样即使陷入鞍点，随机噪声也可能把我们推动，在训练过程中就有可能跨越鞍点像最优值迈进。梯度下降算法的目的是寻找全局花费的最小值，首先要确定初始点往左还是往右下降，要根据梯度的定义，梯度就是目标函数对权重求导。，α为学习率，一般学习率要取比较小，若学习率较大w移动的过多，就可能错过最小梯度点。

2025-01-02 22:57:42 359

原创 PyTorch深度学习实践【刘二大人】之线性模型

在一般机器学习任务中，先拿一个线性模型看是否有效，本次数据可以轻易看出是属于线性模型，选取y=x*w，此时问题在于权重w取多少，在机器学习中我们都是随机猜一个随机值，然后判断与数据集之间的误差。对于机器学习来说，模型经过训练集的训练，获得新的输入能得到相应预测结果，得到的结果与测试集相对比，进而再调整模型。值得注意的是，损失函数是针对一个样本的，而对于整个的训练集要用下面的公式，先把每个样本损失都加起来，再除以整个个数N。问如果学习4个小时，会得到多少分？在深度学习时，画的表x轴为训练轮数。

2025-01-01 21:18:02 224