histolab
轻量级WSI切片提取与预处理。适用于基础切片处理、组织检测、切片提取及H&E图像染色标准化。最适合简单流程、数据集准备及快速切片分析。如需高级空间蛋白质组学、多重成像或深度学习流程，请使用pathml。
分类
图像处理安装
下载并解压到你的 skills 目录
复制命令，发送给 OpenClaw 自动安装：
Histolab - 全切片图像处理与 Tile 提取工具
技能概述
Histolab 是一个专为数字病理设计的 Python 库，用于处理全切片图像（WSI），自动检测组织区域并提取图块，为深度学习模型准备训练数据。
适用场景
1. 深度学习训练数据准备
为病理图像 AI 模型构建训练数据集。Histolab 可以从 SVS、TIFF、NDPI 等格式的全切片图像中批量提取标准大小的图块，自动过滤背景区域，支持按组织密度筛选高质量样本，快速生成平衡的训练数据集。
2. 病理切片可视化与探索
快速浏览和检查病理切片内容。支持生成缩略图、预览组织区域掩膜、可视化图块提取位置，帮助研究人员在正式分析前了解切片质量、组织分布和潜在问题。
3. 基础组织分割与图块提取
执行简单的病理图像预处理任务。包括自动组织检测、背景过滤、三种提取策略（随机采样、网格覆盖、评分筛选），以及基本的图像滤镜处理。适合轻量级管线和快速原型开发。
核心功能
1. 多格式 WSI 加载与管理
支持主流病理切片格式（SVS、TIFF、NDPI 等），基于 OpenSlide 构建，可读取切片元数据（放大倍数、维度、金字塔层级），生成缩略图用于快速预览，提取指定坐标区域的图像数据。
2. 智能组织检测与掩膜
自动识别组织区域并生成二值掩膜，过滤玻璃背景和人工标注。提供三种掩膜类型：TissueMask 检测所有组织区域、BiggestTissueBoxMask 专注于最大组织块、BinaryMask 支持自定义规则。支持预览掩膜效果。
3. 灵活的图块提取策略
提取前支持预览图块位置，设置组织覆盖率阈值，生成包含元数据的 CSV 报告。
常见问题
Histolab 是什么？适合什么场景使用？
Histolab 是一个轻量级的 Python 库，用于处理数字病理中的全切片图像（WSI）。它提供组织检测、图块提取和基础预处理功能，特别适合以下场景：
重要提示：Histolab 定位为基础工具。如果需要处理空间蛋白质组学、多重荧光成像或构建复杂的深度学习管线，建议使用更高级的 PathML 工具。
Histolab 支持哪些病理切片文件格式？
Histolab 基于 OpenSlide 构建，支持主流的病理切片格式，包括：
使用 Slide 类加载切片后，可以通过 slide.dimensions 和 slide.levels 查看图像维度和金字塔层级信息。
RandomTiler、GridTiler 和 ScoreTiler 有什么区别？
这是 Histolab 提供的三种图块提取策略，适用于不同的使用场景：
| 提取器 | 适用场景 | 关键参数 | 特点 |
|---|---|---|---|
| RandomTiler | 探索性分析、训练数据采样 | n_tiles（提取数量）、seed（随机种子） | 快速随机采样，保证结果可重现 |
| GridTiler | 完整组织覆盖、空间分析 | pixel_overlap（重叠像素） | 系统化网格提取，支持滑动窗口 |
| ScoreTiler | 优质样本筛选、质量控制 | scorer（评分函数） | 基于 nuclei 密度等指标筛选最佳图块 |
建议提取前使用 locate_tiles() 方法预览图块位置，确认效果后再执行完整提取。
如何使用 Histolab 准备深度学习训练数据？
使用 Histolab 准备训练数据的基本流程如下：
from histolab.slide import Slide
from histolab.tiler import RandomTiler
# 1. 加载切片
slide = Slide("slide.svs", processed_path="output/")
# 2. 配置提取器
tiler = RandomTiler(
tile_size=(512, 512), # 图块尺寸
n_tiles=100, # 提取数量
level=0, # 金字塔层级（0=最高分辨率）
seed=42, # 随机种子（可重现）
check_tissue=True, # 检查组织覆盖率
tissue_percent=80.0 # 最低组织覆盖率阈值
)
# 3. 预览图块位置
tiler.locate_tiles(slide, n_tiles=20)
# 4. 执行提取
tiler.extract(slide, report_path="tiles_metadata.csv")如需筛选细胞密集区域，可使用 ScoreTiler 配合 NucleiScorer。
Histolab 和 PathML 应该选哪个？
两者定位不同，选择取决于使用场景：
选择 Histolab：
选择 PathML：
两者可以互补：Histolab 用于快速原型和基础处理，PathML 用于生产级复杂管线。
Histolab 是开源的吗？免费使用吗？
是的，Histolab 采用 Apache-2.0 开源许可证，允许自由使用、修改和分发，包括商业用途。安装方式：
uv pip install histolab或使用传统 pip：
pip install histolab项目由 K-Dense Inc. 维护，拥有完整的参考文档和示例代码。