用途：Histolab 是处理数字病理全切片图像（WSI）的 Python 库，通过 OpenSlide 支持 SVS、TIFF、NDPI、VMS、SCN、MRXS 等格式，用于组织检测、瓦片提取与预处理流水线构建。
主要能力：Slide 类加载并检查切片尺寸、金字塔层级、放大倍率等属性；掩膜类（TissueMask、BiggestTissueBoxMask、BinaryMask 子类）识别组织区域并过滤背景；三种瓦片提取器——RandomTiler（随机采样）、GridTiler（网格覆盖）、ScoreTiler（按评分排序）；内置 NucleiScorer、CellularityScorer 及自定义 Scorer；图像滤镜（灰度、HSV、HED、Otsu、自适应阈值、对比度拉伸等）与形态学滤镜（膨胀、腐蚀、开闭、去除小对象/孔洞）可通过 Compose 组合；支持 locate_mask、locate_tiles 可视化及 CSV 报告输出。
使用方式：需先安装 OpenSlide C 库，再安装 histolab。macOS 用 brew install openslide；Ubuntu/Debian 用 sudo apt-get install openslide-tools，随后 pip install histolab。基本流程为加载 Slide、配置 Tiler、调用 locate_tiles 预览、再 extract 提取；ScoreTiler 可通过 report_path 生成含坐标、评分、组织占比的 CSV。
适用场景：深度学习训练瓦片数据集准备、H&E/IHC 切片预处理、按细胞核密度或细胞丰富度筛选高质量瓦片、批量切片一致参数提取、计算病理流程前的切片质量与组织覆盖评估。
限制：需单独安装 OpenSlide 系统依赖；TissueMask 计算开销高于 BiggestTissueBoxMask，仅在多组织切片时使用；level 0 细节最高但速度慢，初始探索建议用 level 1-2；非标准染色需自定义滤镜参数；复杂多重成像或空间蛋白组学流程建议改用 pathml；仅需原始切片访问可直接用 openslide-python。