HoVer-Net输出结果解读：JSON与MAT文件的实用解析技巧

HoVer-Net输出结果解读：JSON与MAT文件的实用解析技巧

【免费下载链接】hover_netSimultaneous Nuclear Instance Segmentation and Classification in H&E Histology Images.项目地址: https://gitcode.com/gh_mirrors/ho/hover_net

HoVer-Net是一款专注于H&E组织学图像中细胞核实例分割与分类的强大工具，其输出结果包含丰富的细胞形态学信息。本文将详细解析HoVer-Net生成的JSON与MAT文件结构，帮助研究人员快速提取关键数据，加速病理图像分析流程。

📊 HoVer-Net输出文件概览

HoVer-Net根据处理模式不同会生成多种输出文件：

• 通用输出：所有模式均生成JSON格式结果文件
• Tile模式特有：额外生成MAT文件和图像叠加文件
• WSI模式特有：额外生成低分辨率缩略图和组织掩码

图1：HoVer-Net处理流程与输出文件关系示意图（1398x712像素）

🔍 JSON文件深度解析

JSON文件是HoVer-Net最核心的输出结果，包含所有检测到的细胞核详细信息：

核心数据结构

{ "nuc": [ { "bbox": [x1, y1, x2, y2], // 边界框坐标 "centroid": [cx, cy], // 质心坐标 "contour": [[x1,y1], [x2,y2], ...], // 轮廓坐标 "type": 3, // 细胞核类型预测 "prob": [0.1, 0.2, 0.7] // 各类别概率（可选） }, // ...更多细胞核实例 ] }

关键字段说明

• bbox：边界框坐标采用[xmin, ymin, xmax, ymax]格式
• centroid：质心坐标为浮点数，精确到小数点后多位
• contour：轮廓点数组按顺时针或逆时针顺序排列
• type：细胞核类型编码对应type_info.json定义

图2：HoVer-Net细胞核分割结果可视化（826x320像素）

🧪 MAT文件结构解析

MAT文件是Tile模式下的特有输出，主要用于存储原始网络输出和实例映射：

主要数据内容

• inst_map：整数矩阵，每个像素值代表细胞核实例ID（0表示背景）
• pred：长度为N的数组，N为细胞核数量，存储每个实例的类型预测
• raw：可选的网络原始输出，包含各通道特征图

数据访问方法

使用Python的scipy库可轻松读取MAT文件：

from scipy.io import loadmat data = loadmat('output.mat') inst_map = data['inst_map'] # 实例映射矩阵 predictions = data['pred'] # 预测结果数组

💡 实用解析技巧

JSON文件解析工具

推荐使用Python的json模块结合pandas进行数据处理：

import json import pandas as pd with open('output.json', 'r') as f: data = json.load(f) df = pd.DataFrame(data['nuc']) # 转换为DataFrame便于分析

MAT文件可视化

使用matplotlib可快速可视化实例映射：

import matplotlib.pyplot as plt plt.imshow(inst_map, cmap='nipy_spectral') plt.colorbar() # 显示实例ID对应的颜色编码

📝 输出文件应用场景

• 定量分析：通过JSON文件统计不同类型细胞核的数量与分布
• 形态学研究：利用contour数据计算细胞核面积、周长等形态参数
• 深度学习：MAT文件中的inst_map可作为后续模型训练的标签数据
• 临床诊断：结合WSI模式输出的组织掩码进行区域特异性分析

🚀 快速上手指南

1. 克隆仓库：git clone https://gitcode.com/gh_mirrors/ho/hover_net
2. 参考examples/usage.ipynb运行示例
3. 在输出目录查看生成的JSON和MAT文件
4. 使用本文介绍的解析方法提取所需数据

通过掌握HoVer-Net输出文件的解析技巧，研究人员可以更高效地利用AI辅助病理图像分析，加速从图像数据到临床洞察的转化过程。无论是基础研究还是临床应用，这些解析方法都能为您的工作流程带来显著提升。

【免费下载链接】hover_netSimultaneous Nuclear Instance Segmentation and Classification in H&E Histology Images.项目地址: https://gitcode.com/gh_mirrors/ho/hover_net