SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场histolab

histolab

数据与分析

查看项目

更新于 10-16 03:58

技能介绍

用途

Histolab 是一个用于处理数字病理全切片图像（WSI）的 Python 库。它自动化组织检测、从 gigapixel 级图像中提取信息量较高的瓦片（tile），并为深度学习流程准备数据集。该库能够处理多种 WSI 格式，实现组织分割，并提供灵活的瓦片提取策略。

安装

uv pip install histolab

主要能力

切片管理

加载、检查并处理多种格式的全切片图像，包括 SVS、TIFF、NDPI 等。常见操作包括：加载 WSI 文件；访问切片元数据（尺寸、放大倍率、属性）；生成缩略图用于可视化；处理金字塔图像结构；在指定坐标提取区域。关键类为 Slide。

组织检测与掩膜

自动识别组织区域并过滤背景与伪影。常见操作包括：创建二值组织掩膜；检测最大组织区域；排除背景与伪影；自定义组织分割；移除标记（pen）注释。关键类为 TissueMask、BiggestTissueBoxMask、BinaryMask。

  • TissueMask：使用自动化滤波器分割所有组织区域
  • BiggestTissueBoxMask：返回最大组织区域的边界框（默认）
  • BinaryMask：自定义掩膜实现的基类

选择建议：TissueMask 适用于多个组织切片、需全面分析；BiggestTissueBoxMask 适用于单一主组织切片、需排除伪影（默认）；自定义 BinaryMask 适用于特定 ROI、排除注释或自定义分割。

瓦片提取

使用不同策略从大型 WSI 中提取较小区域，提供三种提取器：

  • RandomTiler：提取固定数量的随机位置瓦片。适用于采样多样区域、探索性分析、训练数据。关键参数为 n_tiles、seed（保证可复现）。
  • GridTiler：按网格模式系统性地在组织上提取瓦片。适用于完整覆盖、空间分析、重建。关键参数为 pixel_overlap（滑动窗口）。
  • ScoreTiler：基于评分函数提取排名靠前的瓦片。适用于最具信息量区域、质量驱动选择。关键参数为 scorer（NucleiScorer、CellularityScorer、自定义）。

通用参数包括：tile_size（瓦片尺寸，如 (512, 512)）、level（提取所用的金字塔层级，0 表示最高分辨率）、check_tissue（按组织内容过滤瓦片）、tissue_percent（最小组织覆盖率，默认 80%）、extraction_mask（定义提取区域的掩膜）。

建议在提取前先预览瓦片位置（使用 locate_tiles()）。

滤波器与预处理

应用图像处理滤波器用于组织检测、质量控制和预处理，分为三类：

  • 图像滤波器：颜色空间转换、阈值化、对比度增强。如 RgbToGrayscale、RgbToHsv、RgbToHed、OtsuThreshold、AdaptiveThreshold、StretchContrast、HistogramEqualization
  • 形态学滤波器：对二值图像的结构性操作。如 BinaryDilation、BinaryErosion、BinaryOpening、BinaryClosing、RemoveSmallObjects、RemoveSmallHoles
  • 组合：将多个滤波器串联，如 Compose 创建滤波器管线

可视化

可视化切片、掩膜、瓦片位置与提取质量，包括：显示切片缩略图、可视化组织掩膜、预览瓦片位置、评估瓦片质量、生成报告与图表。可结合 matplotlib 在 Jupyter notebook 中交互式可视化，并导出高分辨率图表与 PDF 报告。

使用方式

基本工作流程示例：

from histolab.slide import Slide
from histolab.tiler import RandomTiler

# 加载切片
slide = Slide("slide.svs", processed_path="output/")

# 配置提取器
tiler = RandomTiler(
    tile_size=(512, 512),
    n_tiles=100,
    level=0,
    seed=42
)

# 预览瓦片位置
tiler.locate_tiles(slide, n_tiles=20)

# 提取瓦片
tiler.extract(slide)

三种策略的使用示例：

from histolab.tiler import RandomTiler, GridTiler, ScoreTiler
from histolab.scorer import NucleiScorer

# 随机采样（快速、多样）
random_tiler = RandomTiler(
    tile_size=(512, 512),
    n_tiles=100,
    level=0,
    seed=42,
    check_tissue=True,
    tissue_percent=80.0
)
random_tiler.extract(slide)

# 网格覆盖（全面）
grid_tiler = GridTiler(
    tile_size=(512, 512),
    level=0,
    pixel_overlap=0,
    check_tissue=True
)
grid_tiler.extract(slide)

# 基于评分的选择（最具信息量）
score_tiler = ScoreTiler(
    tile_size=(512, 512),
    n_tiles=50,
    scorer=NucleiScorer(),
    level=0
)
score_tiler.extract(slide, report_path="tiles_report.csv")

自定义组织检测与滤波管线示例：

from histolab.filters.compositions import Compose
from histolab.filters.image_filters import RgbToGrayscale, OtsuThreshold
from histolab.filters.morphological_filters import (
    BinaryDilation, RemoveSmallHoles, RemoveSmallObjects
)

# 标准组织检测管线
tissue_detection = Compose([
    RgbToGrayscale(),
    OtsuThreshold(),
    BinaryDilation(disk_size=5),
    RemoveSmallHoles(area_threshold=1000),
    RemoveSmallObjects(area_threshold=500)
])

from histolab.masks import TissueMask
custom_mask = TissueMask(filters=tissue_detection)

适用场景

  • 训练深度学习模型：使用 RandomTiler 跨多个切片提取均衡数据集；使用 ScoreTiler 配合 NucleiScorer 聚焦细胞密集区域；以一致分辨率（level 0 或 level 1）提取；生成 CSV 报告以追踪瓦片元数据。
  • 全切片分析：使用 GridTiler 实现完整组织覆盖；在多个金字塔层级提取以进行分层分析；通过网格位置维护空间关系；使用 pixel_overlap 实现滑动窗口方法。
  • 组织特征描述：使用 RandomTiler 采样多样区域；用掩膜量化组织覆盖；使用 HED 分解提取染色特定信息；跨切片比较组织模式。
  • 质量评估：使用 ScoreTiler 识别最佳聚焦区域；使用自定义掩膜与滤波器检测伪影；评估切片集合的染色质量；标记问题切片供人工复核。
  • 数据集整理：使用 ScoreTiler 优先选择信息量高的瓦片；按组织百分比过滤瓦片；生成含瓦片评分与元数据的报告；跨切片与组织类型创建分层数据集。

限制

资料中未明确提供该库的收费、价格、平台支持范围或性能上限等信息。常见问题（如“未提取到瓦片”“提取到大量背景瓦片”）在资料中列有排查方向，但部分内容在资料末尾被截断，未能完整呈现。