我正在从事我去年的项目，在那里我获得了数字化的 WSI（全幻灯片图像），尽管它们在 1390x1040 大小左右相当小（这是不寻常的）。这些图像是用 Ki-64 指数染色的多形性胶质母细胞瘤（脑癌）病例，这导致我认为恶性部位被标记为棕色。这是我正在查看的一个小例子。
简单来说，我的目标是计算蓝色和棕色细胞（增殖指数的估计），这基于我的研究是一个分割问题。我还得出结论，AlexNet 是用于此目的的成功架构。然而，我遇到的麻烦是这些数据没有标记，作为一名 Comp Sci 学生，我认为我没有足够的专业知识来注释基本事实值。我的问题归结为这一点，我应该探索任何替代方法，还是应该完全放弃这个数据集？
您可以做的可能是使用具有 3 种模式的 GMM 将图像聚集到 3 个“分区”中。第一个包含蓝色的所有像素，第二个包含棕色的所有像素，最后一个应该包含背景像素。您将根据原始 RGB 值进行聚类（除非您可以为要聚类的每个像素计算更多基于语义的深度学习特征）。然后，您将对分配给 3 种模式中的每一种的像素进行某种形式的颜色采样，以确定哪些是棕色斑点，哪些是蓝色斑点。您可以通过计算 GMM blob 中的二进制图像轻松计数。
AlexNet（以及 VGG、RestNET 和其他 RNN）是监督学习方法，因此您需要一个标记数据集才能继续。
在您的情况下，您似乎没有标签，所以我认为您不能使用这种方法。您可能想研究无监督学习技术。
当然，另一种选择是找到一个给定任务的标记数据集，我会推荐。
您可以尝试几件事。
首先，使用像这样的标记工具手动标记数据集，您可以在所有标记周围绘制框并为其分配标签。然后你可以训练一个 YOLO 风格的检测器来进行目标检测。这种方法起初可能是劳动密集型的，但后来相当自动化。
另一件事是创建一个带有掩码的简单检测器，您可以在 RGB 图像的 R(ed) 通道上设置一个阈值来分割您的图像并找到红色/棕色标记。然后，您可以训练一个回归模型（Alexnet/VGG 等），例如将图像中红色/棕色标记像素的总数作为您的目标（蓝色像素相同）。根据领域知识，您也许可以通过这种方式创建类，例如如果红色像素 > 500 则为恶性图像。
这个问题（除非我遗漏了一些重要的东西）的结构使它成为更简单的无监督图像处理/计算机视觉技术的候选者。事实上，它只是简单地计算图像中的两种颜色/色调，棕色和蓝色。
因此，您可以使用非常有效的图像处理技术将图像划分为基于颜色/色调的连接组件（您可以对图像进行预处理，例如通过应用模糊过滤器和/或形态过滤器以覆盖区域中的小孔应该是具有该颜色的一个区域）。
然后简单地计算标记为蓝色的（连接的）组件和标记为棕色的组件。
注意：如果存在颜色变化（例如棕色因外部条件等而变化），那么在该技术之上，您可以应用 GMM 之类的概率模型将各种棕色和蓝色聚集在两个不同的集群中，然后再次计算棕色和蓝调。
你有它。不需要标记图像和训练深层等等。