病理图像分析工具包Skill pathml

---

name: pathml description: 计算病理学工具包，用于分析全切片图像 (WSI) 和多参数成像数据。在组织病理学切片、H&E 染色图像、多路免疫荧光 (CODEX、Vectra)、空间蛋白质组学、细胞核检测/分割、组织图构建或在病理数据上训练 ML 模型时使用此技能。支持 160 多种切片格式，包括 Aperio SVS、NDPI、DICOM、OME-TIFF，适用于数字病理工作流程。

PathML

概述

PathML 是一个全面的 Python 工具包，用于计算病理学工作流程，旨在为全切片病理图像促进机器学习和图像分析。该框架提供模块化、可组合的工具，用于加载多样化的切片格式、预处理图像、构建空间图、训练深度学习模型，以及分析来自 CODEX 和多路免疫荧光等多参数成像技术的数据。

何时使用此技能

应用此技能于：

• 以各种专有格式加载和处理全切片图像 (WSI)
• 通过染色归一化预处理 H&E 染色组织图像
• 细胞核检测、分割和分类工作流程
• 为空间分析构建细胞和组织图
• 在病理数据上训练或部署机器学习模型（如 HoVer-Net、HACTNet）
• 分析多参数成像（CODEX、Vectra、MERFISH）以进行空间蛋白质组学
• 从多路免疫荧光量化标记表达
• 使用 HDF5 存储管理大规模病理数据集
• 基于瓦片的分割和拼接操作

核心能力

PathML 提供六个主要能力领域，在参考文件中详细记录：

1. 图像加载与格式

从 160 多种专有格式加载全切片图像，包括 Aperio SVS、Hamamatsu NDPI、Leica SCN、Zeiss ZVI、DICOM 和 OME-TIFF。PathML 自动处理供应商特定格式，并提供统一接口以访问图像金字塔、元数据和感兴趣区域。

参见： references/image_loading.md 了解支持格式、加载策略以及处理不同类型切片。

2. 预处理管道

通过组合用于图像操作、质量控制、染色归一化、组织检测和掩膜操作的变换，构建模块化预处理管道。PathML 的 Pipeline 架构支持跨大型数据集的可重现、可扩展预处理。

关键变换：

• StainNormalizationHE - Macenko/Vahadane 染色归一化
• TissueDetectionHE、NucleusDetectionHE - 组织/细胞核分割
• MedianBlur、GaussianBlur - 降噪
• LabelArtifactTileHE - 伪影质量控制

参见： references/preprocessing.md 了解完整变换目录、管道构建和预处理工作流程。

3. 图构建

构建表示细胞和组织级关系的空间图。从分割对象提取特征，创建适合图神经网络和空间分析的图基表示。

参见： references/graphs.md 了解图构建方法、特征提取和空间分析工作流程。

4. 机器学习

训练和部署用于细胞核检测、分割和分类的深度学习模型。PathML 集成 PyTorch，提供预建模型（HoVer-Net、HACTNet）、自定义 DataLoaders，以及 ONNX 支持以进行推理。

关键模型：

• HoVer-Net - 同时进行细胞核分割和分类
• HACTNet - 层次细胞类型分类

参见： references/machine_learning.md 了解模型训练、评估、推理工作流程以及处理公共数据集。

5. 多参数成像

分析来自 CODEX、Vectra、MERFISH 和其他多路成像平台的空间蛋白质组学和基因表达数据。PathML 提供专门的切片类和变换，用于处理多参数数据、使用 Mesmer 进行细胞分割以及量化工作流程。

参见： references/multiparametric.md 了解 CODEX/Vectra 工作流程、细胞分割、标记量化以及与 AnnData 的集成。

6. 数据管理

使用 HDF5 格式高效存储和管理大规模病理数据集。PathML 处理瓦片、掩膜、元数据和提取特征，在统一存储结构中优化机器学习工作流程。

参见： references/data_management.md 了解 HDF5 集成、瓦片管理、数据集组织和批处理策略。

快速入门

安装

# 安装 PathML
pip install pathml

# 包含所有功能的可选依赖项
pip install pathml[all]

基本工作流程示例

from pathml.core import SlideData
from pathml.preprocessing import Pipeline, StainNormalizationHE, TissueDetectionHE

# 加载全切片图像
wsi = SlideData.from_slide("path/to/slide.svs")

# 创建预处理管道
pipeline = Pipeline([
    TissueDetectionHE(),
    StainNormalizationHE(target='normalize', stain_estimation_method='macenko')
])

# 运行管道
pipeline.run(wsi)

# 访问处理后的瓦片
for tile in wsi.tiles:
    processed_image = tile.image
    tissue_mask = tile.masks['tissue']

常见工作流程

H&E 图像分析：

1. 使用适当的切片类加载 WSI
2. 应用组织检测和染色归一化
3. 执行细胞核检测或训练分割模型
4. 提取特征并构建空间图
5. 进行下游分析

多参数成像（CODEX）：

1. 使用 CODEXSlide 加载 CODEX 切片
2. 折叠多运行通道数据
3. 使用 Mesmer 模型分割细胞
4. 量化标记表达
5. 导出到 AnnData 进行单细胞分析

训练 ML 模型：

1. 准备公共病理数据的数据集
2. 使用 PathML 数据集创建 PyTorch DataLoader
3. 训练 HoVer-Net 或自定义模型
4. 在保留测试集上评估
5. 使用 ONNX 部署进行推理

详细文档参考

处理特定任务时，请参考适当的参考文件以获取全面信息：

• 加载图像： references/image_loading.md
• 预处理工作流程： references/preprocessing.md
• 空间分析： references/graphs.md
• 模型训练： references/machine_learning.md
• CODEX/多路 IF： references/multiparametric.md
• 数据存储： references/data_management.md

资源

此技能包含按能力领域组织的全面参考文档。每个参考文件包含详细 API 信息、工作流程示例、最佳实践和针对特定 PathML 功能的故障排除指导。

references/

文档文件深入介绍 PathML 能力：

• image_loading.md - 全切片图像格式、加载策略、切片类
• preprocessing.md - 完整变换目录、管道构建、预处理工作流程
• graphs.md - 图构建方法、特征提取、空间分析
• machine_learning.md - 模型架构、训练工作流程、评估、推理
• multiparametric.md - CODEX、Vectra、多路 IF 分析、细胞分割、量化
• data_management.md - HDF5 存储、瓦片管理、批处理、数据集组织

处理特定计算病理学任务时，根据需要加载这些参考。