方法

分割流水线架构

MyoPath 在 H&E 染色骨骼肌全切片图像（WSI）上实现四层组织分割流水线，每层使用适合其生物目标的方法。

WSI (H&E) → ROI 选择 (1500 µm²)
                 │
                 ├─→ 第 1 层：Cellpose-SAM → 肌纤维实例
                 ├─→ 第 2 层：像素分类器 → 脂肪区域
                 ├─→ 第 3 层：Watershed → 细胞核
                 └─→ 第 4 层：布尔减法 → 结缔组织
                 │
                 ▼
         37 个形态学特征 → 7 项病理指标 → MyoPath Score

第 1 层：肌纤维实例分割

方法： Cellpose-SAM（Cellpose 结合 Segment Anything Model）

Cellpose 是一个通用型深度学习细胞分割模型，采用梯度流追踪方法。在 MyoPath 中，Cellpose 将每根肌纤维分割为独立的多边形实例而非语义掩膜，从而实现单纤维级别的形态学分析。

关键参数：

• downsample: 10.0 — 控制 tile 大小以防止内存溢出
• cellprobThreshold: 0 — 细胞检测概率阈值
• 推荐使用 GPU 加速（每个 ROI 约 30–60 秒）

输出： 单根肌纤维多边形，计算每根纤维的横截面积、周长、形状因子和长宽比。

第 2 层：脂肪浸润检测

方法： 像素分类器（在 QuPath 中训练）

名为 "fat in muscle" 的随机森林像素分类器在代表性 H&E 切片上训练，区分脂肪组织与背景及其他组织类型。该分类器在像素级别运行，生成平滑的脂肪区域边界。

训练：

• 在 10–20 张代表性切片上标注脂肪 vs. 非脂肪区域
• 通过 QuPath 中 Classify → Pixel classifiers → Train pixel classifier 训练
• 保存分类器为 "fat in muscle" 以兼容流水线

输出： 脂肪区域多边形及面积测量。排除脂肪-肌纤维重叠区域。

第 3 层：细胞核检测

方法： Watershed 分割

Watershed 算法检测 ROI 内的单个细胞核。检测到的核根据其质心相对于肌纤维和脂肪多边形的空间位置，分配至不同组织区室（肌纤维、结缔组织或未分配）。

核分类：

• 肌纤维核 — 质心落在肌纤维多边形内
• 结缔组织核 — 质心落在结缔组织区域内
• 未分配核 — 质心落在脂肪内或注释边界上

核定位： 对每个肌纤维核，计算归一化径向位置 ${\rho }_k$（参见 NCI 定义），将核分为外周区（${\rho }_k\le 0.3$）、中间区（$0.3<{\rho }_k<0.7$）或中央区（${\rho }_k\ge 0.7$）。

第 4 层：结缔组织估计

方法： 布尔减法

结缔组织不直接分割，而是通过从 ROI 中减去肌纤维和脂肪面积估计得出：

$$A_{\text{connective}}=A_{\text{ROI}}-A_{\text{muscle}}-A_{\text{fat}}$$

这种方法避免了在 H&E 染色上训练专用结缔组织分类器的困难（内膜和束膜胶原外观多变）。代价是肌纤维或脂肪的分割误差会传播到结缔组织估计中。

特征提取

从四层组织中，MyoPath 计算 37 个形态学特征，分为五个类别：

类别	特征数	关键指标
组织成分	10	肌纤维、脂肪、结缔组织、细胞核的面积和百分比
纤维大小	7	纤维横截面积的均值、中位数、标准差、最小值、最大值、Q1、Q3
纤维形状	3	形状因子（圆度）、长宽比及其变异度
核分布	7	各区室核计数、每纤维核数统计
核定位	3	外周比、中央比、多核纤维计数

完整特征目录请参阅形态学特征。

MyoPath Score

从 37 个特征中推导出七项临床可解释的病理指标，通过 logistic 回归合成为综合 MyoPath Score：

$$\text{MyoPath Score}=\frac{1}{1+e^{-z}}$$$$z={\beta }_0+{\beta }_1\cdot \text{NCI}+{\beta }_2\cdot \text{Fiber CV}+{\beta }_3\cdot \text{Shape}+{\beta }_4\cdot \text{Fat\%}+{\beta }_5\cdot \text{Fibrosis\%}+{\beta }_6\cdot \text{NMR}+{\beta }_7\cdot \text{Inflammation}$$

模型在 GTEx 队列（n = 399）上训练并进行留一法交叉验证，随后在独立的华山队列（n = 79）上验证，未进行重新训练。

INFO

NCI 和 Fiber CV 的标准化回归系数最大（$\beta =0.57$ 和 $0.53$），确认了它们作为主要生物标志物的角色。

ROI 选择策略

MyoPath 使用标准化的 1500 µm × 1500 µm ROI 以确保：

• 充分采样：每个 ROI 约 200–600 根肌纤维（中位数约 400）
• 计算可行性：单 ROI 处理 < 2 分钟
• 跨研究可比性：固定面积消除缩放混杂

ROI 由操作者手动定位于感兴趣区域。临床验证建议每个活检切片至少分析一个 ROI，定位于最具代表性（或最严重病变）的区域。

WARNING

组织成分指标（脂肪浸润、纤维化）固有地依赖 ROI 位置。NCI 和 Fiber CV 对 ROI 放置更为稳健，因为它们按纤维计算并进行归一化。