QuPath完全指南：从基础操作到临床应用的实践手册

在数字病理学与生物医学图像分析领域，高效的病理图像标注与精准的定量分析流程是推动研究进展的关键环节。QuPath作为一款开源生物图像分析工具，凭借其强大的功能和灵活的扩展性，已成为病理科医生、生物医学工程师和研究人员处理数字病理图像的首选平台。本指南将系统介绍QuPath的核心功能与实战技巧，帮助读者掌握从基础操作到临床应用的完整工作流，实现从图像加载到结果解读的全流程分析。

一、基础认知：系统适配与部署方案

1.1 环境兼容性检测

在开始使用QuPath前，建议先确认系统环境是否满足以下要求：

• 操作系统：Windows 10/11、macOS 10.15+或Ubuntu 20.04+
• 内存容量：至少8GB RAM（推荐16GB以处理大型病理图像）
• 存储空间：至少1GB可用空间（用于软件安装和临时文件存储）
• Java环境：Java 11或更高版本（Windows和macOS发行版已包含嵌入式JRE）

⚙️ 检查Java版本的方法：打开终端/命令提示符，执行java -version命令，确保输出显示Java 11或更高版本。

1.2 多平台部署指南

Windows系统：

1. 下载MSI安装文件
2. 双击文件启动安装向导
3. 勾选"创建桌面快捷方式"选项
4. 按照提示完成安装

macOS系统：

1. 下载PKG安装文件
2. 双击文件并输入管理员密码
3. 等待安装程序完成

Linux系统：

# 解压安装包到应用目录
tar -xvf QuPath-<version>-Linux.tar.xz -C ~/Applications
# 启动应用
~/Applications/QuPath-<version>/QuPath

1.3 首次启动与界面导航

成功安装后，启动QuPath将显示欢迎界面。主界面主要包含以下功能区域：

• 菜单栏：提供所有功能的访问入口
• 工具栏：快速访问常用工具（标注、测量、分析等）
• 项目面板：管理图像项目和文件
• 主视图区：显示和操作图像
• 属性面板：查看和编辑对象属性

尝试使用QuPath时，建议先通过欢迎界面的"New Project"按钮创建新项目，熟悉基本界面布局后再进行复杂操作。

二、核心功能：从图像加载到定量分析

2.1 图像管理与加载

QuPath支持多种图像格式，包括WSI（ whole slide images）、TIFF、JPEG等。加载图像的基本步骤：

1. 在项目面板中点击"Add images"按钮
2. 选择一个或多个图像文件
3. 等待图像导入（大型WSI可能需要几分钟）
4. 在主视图区查看图像，使用鼠标滚轮缩放，中键拖动平移

🔍 提示：对于非常大的图像，建议先使用"Downsample"选项降低分辨率预览，分析时再调整至所需放大倍数。

2.2 病理图像标注技术

精确的标注是后续分析的基础，QuPath提供多种标注工具：

矩形标注：

• 点击工具栏中的矩形工具
• 在图像上拖拽绘制矩形区域
• 释放鼠标完成标注
• 适用于快速划定规则形状的感兴趣区域

多边形标注：

• 选择多边形工具
• 点击图像创建顶点，勾勒目标区域边界
• 双击结束绘制
• 适用于不规则形状区域的精确标注

自由手绘：

• 选择自由手绘工具
• 按住鼠标左键在图像上绘制
• 释放鼠标完成标注
• 适用于极不规则的区域标注

2.3 细胞检测与定量分析流程

细胞检测是数字病理分析的核心任务之一，基本流程如下：

1. 选择"Analyze > Cell Detection"菜单
2. 在参数设置对话框中调整：
   • 核直径：根据细胞大小设置（通常8-15μm）
   • 强度阈值：控制检测灵敏度
   • 分割方法：根据图像质量选择适当算法
3. 点击"Run"执行检测
4. 查看结果并进行必要的手动修正

📊 测量数据导出：

// 导出选中对象的测量数据
def selectedObjects = getSelectedObjects()
exportMeasurements(selectedObjects, "measurements.csv")

三、进阶技巧：机器学习与自动化分析

3.1 基于机器学习的组织分类

QuPath的机器学习模块可实现组织类型的自动分类，步骤如下：

1. 样本收集：

   • 在不同组织区域创建标注
   • 右键点击标注选择"Add to Training"
   • 确保各类组织样本数量均衡

2. 特征选择：

   • 打开"Feature selection"对话框
   • 根据分析目标选择形态学、纹理等特征
   • 建议保留20-30个最具区分度的特征

3. 模型训练：

   • 点击"Train New Classifier"
   • 选择分类算法（推荐随机森林）
   • 设置训练参数并开始训练

4. 分类应用：

   • 在整个图像上应用训练好的分类器
   • 评估分类结果，必要时添加更多训练样本

3.2 脚本自动化与批量处理

QuPath支持Groovy脚本编写，可实现分析流程的自动化：

批量处理示例：

// 批量处理项目中所有图像
def project = getProject()
project.getImageList().each { entry ->
    def imageData = entry.readImageData()
    // 执行细胞检测
    runPlugin('qupath.imagej.detect.cells.WatershedCellDetection', 
        '{"detectionImage": "DAB", "requestedPixelSizeMicrons": 0.5, "backgroundRadiusMicrons": 8.0, "medianRadiusMicrons": 0.0, "sigmaMicrons": 1.5, "minAreaMicrons": 10.0, "maxAreaMicrons": 400.0, "threshold": 150}')
    // 保存结果
    entry.saveImageData(imageData)
}

3.3 常见操作误区解析

误区1：过度依赖自动检测结果

• 原因：默认参数可能不适用于所有图像
• 解决方案：先在小区域测试参数，优化后再全图应用

误区2：忽略图像预处理

• 原因：未进行背景校正和对比度调整影响分析结果
• 解决方案：使用"Image > Adjust Brightness/Contrast"预处理图像

误区3：训练样本不足

• 原因：样本数量少或代表性不足导致分类效果差
• 解决方案：确保每个类别至少有50个高质量样本

四、实战案例：临床应用场景

4.1 肿瘤微环境分析

场景描述：分析乳腺癌组织中肿瘤浸润淋巴细胞（TILs）的分布情况。

操作步骤：

1. 加载H&E染色的乳腺癌WSI图像
2. 使用多边形工具标注肿瘤区域
3. 应用细胞检测算法识别所有细胞核
4. 使用免疫组化标记识别淋巴细胞
5. 计算肿瘤区域内TILs的密度和分布

关键代码：

// 计算TILs密度
def tumorAnnotation = getAnnotationObjects().find { it.getPathClass() == getPathClass("Tumor") }
def tilCells = getDetectionObjects().findAll { 
    it.isWithin(tumorAnnotation) && it.getPathClass() == getPathClass("Lymphocyte") 
}
def tilDensity = tilCells.size() / tumorAnnotation.getROI().getArea()
print("TIL密度: " + tilDensity + " cells/μm²")

4.2 组织切片质量控制

场景描述：自动检测组织切片中的折叠、撕裂和气泡等 artifacts。

操作步骤：

1. 加载组织切片图像
2. 运行背景分割算法识别组织区域
3. 分析组织区域的形态学特征
4. 设置异常区域检测阈值
5. 生成质量评估报告

五、技能评估与扩展学习

5.1 QuPath技能评估清单

• [ ] 能够独立完成QuPath的安装与配置
• [ ] 熟练使用至少三种标注工具进行区域划分
• [ ] 掌握细胞检测参数优化方法
• [ ] 能够训练简单的组织分类模型
• [ ] 编写基础脚本实现分析自动化
• [ ] 完成至少一个完整的病理图像分析项目

5.2 进阶学习资源

• 官方文档：项目内包含的技术文档和示例
• 社区论坛：参与QuPath用户社区讨论
• 扩展插件：探索第三方插件扩展功能
• 源码学习：通过阅读项目源码深入理解内部机制

通过本指南的学习，您已具备QuPath的核心操作能力。建议从实际项目出发，不断实践和探索高级功能，逐步提升生物图像分析技能。QuPath作为开源工具，持续更新和扩展中，保持关注最新版本特性将帮助您更好地应对复杂的病理图像分析挑战。