pathml

用途：PathML 是面向计算病理学的 Python 工具包，用于全切片病理图像和多参数成像数据的机器学习与图像分析，适用于 H&E 组织切片处理、细胞核检测与分割、空间分析，以及 CODEX、Vectra、MERFISH 等多重成像的空间蛋白组学流程。

主要能力：

1. 图像加载：支持 Aperio SVS、Hamamatsu NDPI、Leica SCN、Zeiss ZVI、DICOM、OME-TIFF 等 160 多种专有格式，统一访问图像金字塔、元数据与感兴趣区域。
2. 预处理：以 Pipeline 组合变换，包含 StainNormalizationHE（Macenko/Vahadane 归一化）、TissueDetectionHE、NucleusDetectionHE、MedianBlur、GaussianBlur、LabelArtifactTileHE 等。
3. 图构建：从分割对象提取特征，构建细胞与组织层级的空间图，供图神经网络和空间分析使用。
4. 机器学习：集成 PyTorch，提供 HoVer-Net、HACTNet 等预置模型、自定义 DataLoader 与 ONNX 推理支持。
5. 多参数成像：针对 CODEX 等平台提供专用 slide 类与变换，支持 Mesmer 细胞分割、标记物定量及导出 AnnData。
6. 数据管理：以 HDF5 存储切片、掩码、元数据与提取特征，支持批量处理。

使用方式： 安装命令为 pip install pathml，完整功能可用 pip install pathml[all]。 典型流程：通过 SlideData.from_slide("path/to/slide.svs") 加载 WSI；用 Pipeline([TissueDetectionHE(), StainNormalizationHE(target='normalize', stain_estimation_method='macenko')]) 构建预处理流程并执行 pipeline.run(wsi)；再遍历 wsi.tiles 访问图像与掩码。CODEX 流程使用 CODEXSlide 加载、合并多轮通道、Mesmer 分割细胞、定量标记物并导出 AnnData。模型训练使用 PyTorch DataLoader 训练 HoVer-Net 或自定义模型，并用 ONNX 部署推理。

限制：资料未提供具体收费、性能指标或平台兼容性细节；部分功能依赖可选依赖项（[all] 安装）。