【代码已开源】基于Python的全切片(WSI)染色归一化工具/库，实现了reinhard, macenko, vahadane共三种方法，支持GPU加速，可通过pip安装

Harvey Chui

已于 2025-05-04 15:12:05 修改

阅读量4k

点赞数 53

分类专栏：医学影像文章标签： python 图像处理

于 2024-01-06 17:51:10 首次发布

本文链接：https://blog.csdn.net/CalvinTri/article/details/135429053

版权

医学影像专栏收录该内容

3 篇文章

订阅专栏

基于Python的全切片(WSI)染色归一化工具/库，实现了reinhard, macenko, vahadane共三种方法，支持GPU加速，可通过pip安装

为了应对数字病理切片受到不同中心、不同扫描设备的影响，先后有不同的研究提出了针对病理图像的染色归一化（stain normalization）方法。本仓库对三种染色归一化方式进行了封装，针对常见的病理图片处理流程实现了染色归一化工具

仓库地址

https://github.com/HaoyuCui/WSI_Normalizer

https://pypi.org/project/wsi-normalizer/

支持以下主流染色归一化方法

Reinhard Reinhard, Erik, et al. “Color transfer between images.” IEEE Computer graphics and applications 21.5 (2001): 34-41.
Macenko Macenko, Marc, et al. “A method for normalizing histology slides for quantitative analysis.” 2009 IEEE international symposium on biomedical imaging: from nano to macro. IEEE, 2009.
Vahadane Vahadane, Abhishek, et al. “Structure-preserving color normalization and sparse stain separation for histological images.” IEEE transactions on medical imaging 35.8 (2016): 1962-1971.

更新

[10/2024] 感谢MIT协议开源库 cwlkr/torchvahadane ,WSI_Normalizer现在支持GPU加速的Vahadane方法，在较大分辨率的patch上能够达到2倍以上的速度提升
[04/2025] 我们现将该工具包上传至PyPI ，先可直接通过pip进行安装，更快调用

库安装

使用PyPI安装

pip install wsi-normalizer
# 或使用国内清华源加速
# pip install wsi-normalizer -i https://pypi.tuna.tsinghua.edu.cn/simple

然后,可以直接通过代码进行调用

import cv2
from wsi_normalizer import imread, MacenkoNormalizer  # 或 ReinhardNormalizer, VahadaneNormalizer, TorchVahadaneNormalizer

macenko_normalizer = MacenkoNormalizer()
macenko_normalizer.fit(imread('标准图片.jpg'))
norm_img = macenko_normalizer.transform(imread('输入图片.jpg'))

cv2.imwrite('输出图片.jpg', cv2.cvtColor(norm_img, cv2.COLOR_RGB2BGR))

本地安装

克隆本仓库

git clone https://github.com/HaoyuCui/WSI_Normalizer.git

进入到根目录，激活虚拟环境，运行 pip install -r requirements.txt 安装依赖文件，如果需要GPU加速的版本，需要额外安装pytorch-gpu, scipy, kornia (可选)

运行

在运行前，确保在原始文件夹这样组织patch块（后缀名支持.png,.jpg和.jpeg）

├── data
│   ├── slide_1
│   │   ├── patch_1.png
│   │   ├── patch_2.png
│   │   ├── ...
│   ├── slide_2
│   │   ├── patch_1.png
│   │   ├── patch_2.png
│   │   ├── ...
│   ├── ...
│   └── slide_n
│       ├── ...
│       └── patch_n.png

然后，修改以下参数
<TARGET FOLDER> 原始文件夹，存储了以上述树状格式组织的patch块
<OUTPUT FOLDER> 输出文件夹
<NORM METHOD> 染色归一化方法，请确保参数位于reinhard, macenko, vahadane, vahadane-gpu中
<TARGET IMAGE> 染色参考图片（可以是数据集中的一员）

请注意，考虑到硬件IO，vahadane-gpu在224及256这类分辨率下的效果和vahadane几乎没有区别，只有在512、1024或者更大的分辨率下，能够达到2倍甚至更快的速度提升，请根据实际情况使用

然后运行
```
python main.py --target_dir <TARGET FOLDER> --output_dir <OUTPUT FOLDER> --method <NORM METHOD> --target_img <TARGET IMAGE>
```
程序将会在<OUTPUT FOLDER>自动生成与 <TARGET FOLDER> 一致的目录结构

本仓库提供了一个示例脚本，可供直接运行：

python main.py --target_dir eg/origin --output_dir eg/norm --method vahadane-gpu --target_img eg/standard.jpg

运行结果如下：

如果有问题，欢迎联系我。
欢迎Star、点赞和收藏，转载请注明出处，谢谢！