Histolab 数字病理切片

要解决什么问题

数字病理里的全切片图像（WSI）往往是十亿像素级、多格式（SVS、TIFF、NDPI 等），还要区分组织与背景、排除钢笔标注和伪影。若手工裁块或写 ad-hoc 脚本，很难在可复现的前提下为分类/检测模型批量产出尺寸一致、组织占比可控的训练切片。

技能如何工作

Histolab 把 WSI 处理拆成可组合的 Python 步骤，核心围绕 Slide 与三类能力：

• 切片与金字塔：加载 WSI、读元数据与放大倍率、生成缩略图，并在指定金字塔 level 上按坐标取区域。
• 组织掩码：TissueMask 覆盖多组织区域；默认常用的 BiggestTissueBoxMask 聚焦最大组织块；也可继承 BinaryMask 做 ROI 或标注排除。
• 切片提取策略：RandomTiler 做随机采样（配合 seed）；GridTiler 做网格全覆盖（pixel_overlap 控制重叠）；ScoreTiler 用 NucleiScorer、CellularityScorer 等挑出信息更富的区域。常见参数包括 tile_size、check_tissue 与 tissue_percent（默认约 80%）。

推荐流程是：先看缩略图确认有组织 → 用 locate_mask() 预览掩码 → 务必用 locate_tiles() 预览切片位置 → 再批量导出并配合可视化做质量抽查。滤波器链（如 RgbToHed、形态学开闭运算）可用于染色差异下的组织检测与预处理。

适用边界与注意点

• 提取不到切片时，先查缩略图、extraction_mask 是否盖住组织，并适当下调 tissue_percent 或检查 tile_size 与分辨率是否匹配。
• 背景切片过多：提高 tissue_percent、选对掩码类型；速度过慢时可改用较低 level、减少 n_tiles，或采样场景优先 RandomTiler 而非全网格。
• 跨切片染色不一致时，需要统一随机种子、预处理归一化，必要时为单张切片定制掩码；复杂多步流水线可结合技能内 references/ 文档逐项对照参数。