用途：面向数字病理全切片图像（WSI）的处理工具库，自动完成组织检测、从亿像素级图像中提取信息性组织块（tile），为深度学习流程准备数据集，适用于 H&E、IHC 等染色切片。
主要能力：
- 切片管理（Slide）：加载 SVS、TIFF、NDPI 等格式，读取尺寸、放大倍数等元数据，生成缩略图，处理金字塔层级，按坐标提取区域。
- 组织检测与掩膜：TissueMask 分割全部组织区域；BiggestTissueBoxMask 返回最大组织区域边界框（多数提取器的默认值）；BinaryMask 可自定义掩膜。
- 组织块提取：RandomTiler 随机抽取固定数量区块（适合采样与训练数据）；GridTiler 网格系统覆盖（适合完整覆盖与重建）；ScoreTiler 按评分函数选取高排名区块（可用 NucleiScorer、CellularityScorer 或自定义）。公共参数含 tile_size、level、check_tissue、tissue_percent（默认 80%）、extraction_mask。
- 过滤器与预处理：图像过滤器（RgbToGrayscale、RgbToHsv、RgbToHed、OtsuThreshold、AdaptiveThreshold、StretchContrast 等）、形态学过滤器（BinaryDilation、BinaryErosion、BinaryOpening、BinaryClosing、RemoveSmallObjects、RemoveSmallHoles）以及 Compose 组合流水线。
- 可视化：查看缩略图、掩膜（locate_mask）、区块位置（locate_tiles）、提取区块与拼图，评估质量，导出图表与报告。
安装：uv pip install histolab
基本用法：从 histolab.slide 导入 Slide，从 histolab.tiler 导入 RandomTiler；用 Slide("slide.svs", processed_path="output/") 加载；配置 RandomTiler(tile_size=(512,512), n_tiles=100, level=0, seed=42)；先用 locate_tiles 预览，再调用 extract 提取。ScoreTiler 可用 report_path 输出 CSV 报告；GridTiler 可用 pixel_overlap 支持滑窗。
适用场景：训练深度学习模型的数据集构建、全切片分析、组织特征刻画、质量评估、数据集策展、多切片批量处理。
限制：本资料未说明授权方式、收费与价格信息；实际使用效果受切片格式、染色类型与硬件条件影响，资料建议先预览掩膜与区块位置再提取，并注意组织覆盖率阈值与金字塔层级的取舍。常见问题包括未提取到区块（可降低 tissue_percent、检查缩略图与掩膜）和背景区块过多。