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、pandas是什么？二、使用步骤1.引入库2.读入数据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

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一、前言二、项目背景三、UNet训练1.数据加载2.模型选择总结一、前言本文属于Pytorch深度学习语义分割系列教程。该系列文章的内容有：Pytorch的基本使用语义分割算法讲解二、项目背景深度学习算法，我飞就是我们解决一个问题的方法。选择什么样的网络去训练，进行什么样的预处理，采用什么Loss和优化方法，都是根据具体的任务

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、细胞分割及计数（Mask-RCNN）二、阳性信号定位（基于Kmeans）1.绿色通道阳性定位2.红色通道阳性定位三、细胞分割及阳性定位结果整合总结前言在生物科研或病理领域，有一类片子叫荧光染色（免疫荧光），通过对不同的组织进行不同的光学处理，使得最终的片子中，不同的光色对应不同的组织。本帖是作者经手的一个项目，分析免疫

一、语义分割是什么？语义分割(semantic segmentation): 就是按照“语义”给图像上目标类别中每一点打一个标签，使得不同种类的东西在图像上被区分开来。可以理解成像素级别的分类任务，直白点，就是对每个像素进行分类。简而言之，我们的目标是给定一幅RGB彩色图像（高x宽x3）或一幅灰度图像(高x宽x1),输出一个分类图谱，其中包括每个像素的类别标注（高x宽x1）。具体如下图所示：注意：

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、细胞分割及计数（Mask-RCNN）二、阳性信号定位（基于Kmeans）1.绿色通道阳性定位2.红色通道阳性定位三、细胞分割及阳性定位结果整合总结前言在生物科研或病理领域，有一类片子叫荧光染色（免疫荧光），通过对不同的组织进行不同的光学处理，使得最终的片子中，不同的光色对应不同的组织。本帖是作者经手的一个项目，分析免疫

一、语义分割是什么？语义分割(semantic segmentation): 就是按照“语义”给图像上目标类别中每一点打一个标签，使得不同种类的东西在图像上被区分开来。可以理解成像素级别的分类任务，直白点，就是对每个像素进行分类。简而言之，我们的目标是给定一幅RGB彩色图像（高x宽x3）或一幅灰度图像(高x宽x1),输出一个分类图谱，其中包括每个像素的类别标注（高x宽x1）。具体如下图所示：注意：

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、细胞分割及计数（Mask-RCNN）二、阳性信号定位（基于Kmeans）1.绿色通道阳性定位2.红色通道阳性定位三、细胞分割及阳性定位结果整合总结前言在生物科研或病理领域，有一类片子叫荧光染色（免疫荧光），通过对不同的组织进行不同的光学处理，使得最终的片子中，不同的光色对应不同的组织。本帖是作者经手的一个项目，分析免疫

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、细胞分割及计数（Mask-RCNN）二、阳性信号定位（基于Kmeans）1.绿色通道阳性定位2.红色通道阳性定位三、细胞分割及阳性定位结果整合总结前言在生物科研或病理领域，有一类片子叫荧光染色（免疫荧光），通过对不同的组织进行不同的光学处理，使得最终的片子中，不同的光色对应不同的组织。本帖是作者经手的一个项目，分析免疫

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、pandas是什么？二、使用步骤1.引入库2.读入数据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

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一、前言二、项目背景三、UNet训练1.数据加载2.模型选择总结一、前言本文属于Pytorch深度学习语义分割系列教程。该系列文章的内容有：Pytorch的基本使用语义分割算法讲解二、项目背景深度学习算法，我飞就是我们解决一个问题的方法。选择什么样的网络去训练，进行什么样的预处理，采用什么Loss和优化方法，都是根据具体的任务