提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

• 前言
• 一、为什么要设计自动训练的软件
• 二、软件界面介绍
• 三、软件使用说明
• 三、软件模型及图片存储路径
• 总结

前言

在免疫组化片子的分析中，一般有两种方法用来评估阳性指标。一种是完全基于颜色识别，精确到像素级的分类，和像素级的语义分割稍有区别，感受野为1个像素。还有一种评估方法则是识别出所有的细胞，对细胞内部的像素颜色进行统计，这一步也是像素级。所以精确的像素级颜色识别对组化阳性对免疫组化的分析至关重要。
由于颜色的识别需要精确到每一个像素，对每个像素做标签是不现实的，所以我们决定采用机器学习的方式用逻辑回归来做分类，一共四类，背景、间质、阴性、阳性。效果如下图所示。
不同等级的阳性像素用黄橙红颜色标记，阴性像素用蓝色标记，间质区域像素用绿色标记，空白区域不做标记。

所以后来我们想到了一个很独到的方法，我们先肉眼把部分数据分成了6类，然后对这6类图片制作txt标签训练6个逻辑回归模型。然后用pyqt5写了一个可以根据效果自动训练6个模型的软件，给我们的数据团队，经过大量的数据迭代6个模型后，基本可以覆盖绝大部分数据（近百万张）。

二、软件界面介绍

总结

文章知识点与官方知识档案匹配，可进一步学习相关知识OpenCV技能树首页概览11584 人正在系统学习中