PathML

PathML

概述

PathML 是一个用于计算病理学工作流程的综合 Python 工具包，旨在促进全幻灯片病理学图像的机器学习和图像分析。该框架提供模块化、可组合的工具，用于加载各种幻灯片格式、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 和多重免疫荧光等技术的多参数成像数据。

何时使用此技能

应用此技能用于：

• 加载和处理各种专有格式的全幻灯片图像（WSI）
• 使用染色标准化预处理 H&E 染色组织图像
• 细胞核检测、分割和分类工作流程
• 构建用于空间分析的细胞和组织图
• 在病理学数据上训练或部署机器学习模型（HoVer-Net、HACTNet）
• 分析用于空间蛋白质组学的多参数成像（CODEX、Vectra、MERFISH）
• 量化来自多重免疫荧光的标记物表达
• 使用 HDF5 存储管理大规模病理学数据集
• 基于瓦片的分析和拼接操作

核心功能

PathML 提供六个主要功能领域，在参考文件中有详细记录：

1. 图像加载和格式

从 160+ 专有格式加载全幻灯片图像，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，并提供统一的接口用于访问图像金字塔、元数据和感兴趣区域。

请参阅： references/image_loading.md 了解支持的格式、加载策略和处理不同幻灯片类型。

2. 预处理管道

通过组合用于图像操作、质量控制、染色标准化、组织检测和掩码操作的变换来构建模块化预处理管道。PathML 的 Pipeline 架构实现了跨大型数据集的可重现、可扩展预处理。

关键变换：

• StainNormalizationHE - Macenko/Vahadane 染色标准化
• TissueDetectionHE、NucleusDetectionHE - 组织/细胞核分割
• MedianBlur、GaussianBlur - 噪声减少
• LabelArtifactTileHE - 伪影的质量控制

请参阅： references/preprocessing.md 了解完整的变换目录、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别关系的空间图。从分割对象中提取特征，创建适合图神经网络和空间分析的基于图的表示。

请参阅： 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，带有预构建模型（HoVer-Net、HACTNet）、自定义 DataLoaders 和用于推理的 ONNX 支持。

关键模型：

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

请参阅： 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 和其他多重成像平台的空间蛋白质组学和基因表达数据。PathML 提供专门的幻灯片类和变换，用于处理多参数数据、使用 Mesmer 进行细胞分割和量化工作流程。

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

6. 数据管理

使用 HDF5 格式高效存储和管理大型病理学数据集。PathML 在为机器学习工作流程优化的统一存储结构中处理瓦片、掩码、元数据和提取的特征。

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

快速开始

安装

# 安装 PathML
uv pip install pathml

# 安装所有功能的可选依赖
uv pip install pathml[all]

基本工作流程示例

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

# 加载全幻灯片图像
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. 使用适当的幻灯片类加载 WSI
2. 应用组织检测和染色标准化
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 幻灯片
2. 折叠多轮通道数据
3. 使用 Mesmer 模型分割细胞
4. 量化标记物表达
5. 导出到 AnnData 进行单细胞分析

训练 ML 模型：

1. 使用公共病理学数据准备数据集
2. 使用 PathML 数据集创建 PyTorch DataLoader
3. 训练 HoVer-Net 或自定义模型
4. 在保留的测试集上评估
5. 使用 ONNX 部署进行推理

详细文档参考

在处理特定任务时，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/多重 IF： references/multiparametric.md
• 数据存储： references/data_management.md

资源

此技能包括按功能领域组织的综合参考文档。每个参考文件包含详细的 API 信息、工作流程示例、最佳实践以及针对特定 PathML 功能的故障排除指南。

references/

提供 PathML 功能深入覆盖的文档文件：

• image_loading.md - 全幻灯片图像格式、加载策略、幻灯片类
• preprocessing.md - 完整的变换目录、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、多重 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

在处理特定计算病理学任务时，根据需要加载这些参考资料。