全视野数字切片(whole slide images, WSIs)的预处理

update: 2018-12-10 系统化梳理以及增加详细内容
本人一直专注于:深度学习、机器学习以及医学图像处理相关领域
个人博客:WangW Blog


本文主要梳理了关于病理切片的处理,让刚进入病理图像处理领域的朋友能够将注意力放在深度学习、机器学习等算法上。本文主要包含KFB格式2TIFF(或SVS)病理图像的标记病理图像掩码(Mask)的生成以及病理切片补丁图像(Patches)的生成,最后介绍一个有关病理图像分类的repo。


1. KFB格式转成TIFF(或者SVS)格式

KFB格式的全视野数字病理切片(Whole slide images, WSIs)是国内一种病理切片扫描仪扫描出来的私有格式,该扫描仪是宁波江丰生物信息技术有限公司的一款产品。如果您是病理医生,仅仅需要读取以及简单的标记KFB文件,只需要下载K-Viewer进行读取就好了。那如果需要对WSIs进行一系列操作,比如图像识别、分类、检测等等,那么就需要将该公司的私有KFB格式转成通用的TIFF或者SVS进行操作了。使用公司的软件进行格式转换,具体操作都在文档中,请下载使用。
1. 如果你有C币,请使用该链接下载;
2. 如果没有C币,请使用该链接免费下载,请给个star哦,笔芯;
KTB2TIForSVS


2. 全视野数字切片(WSIs)的标记

众所周知的是,WSI像素十分夸张,一般的图片浏览软件也打不开,那么标记就成了我们需要头疼的事了。但是铁头娃永远不会头疼…请看官接着往下看

2.1. 标记文件(XML)的获取

假如你想对自己的数据进行标记(废话,不是自己的数据,就不需要转格式),尝试使用ASAP吧。
使用ASAP打开需要标注的WSI,选择你需要用的标注类型(包含点、矩形、多边形等),对数据进行标注,如下图:1表示标记类型,我这里选择了多边形;2表示标注的区域;3表示标注名字;4表示标注的种类(下面会用到)
图一

注意: 请将同一类型的标注,通过图上4按钮新建group,并将标注们放到一个Group下。方便后续的程序处理;
实例: 我需要对WSI进行癌区域标注,如上图得到了4块区域,然后,我新建一个Goup,将同类型tumor 4 块区域都放入一个Goup下,进行保存。这样就完成了wsi的标记。
图二


2.2 WSI标记掩码(mask)的获取

其实,上面的标注文件**.xml已经完成满足平常DLer的需求了,但是有些同学可能想要WSI的掩码图,ASAP也为这些朋友提供了方便的API。如下:

Configure your PYTHONPATH environment variable to contain the /bin directory path.
大体就是建立一个PYTHONPATH名字的环境变量,找到你安装ASAP的路径,将路径>>到/bin 这个路径放在PYTHONPATH环境变量中,这样,python就可以自动搜索到这个包了哦。
使用下面官方的demo进行掩码的生成。

import multiresolutionimageinterface as mir
reader = mir.MultiResolutionImageReader()
mr_image = reader.open('camelyon17/centre_0/patient_010_node_4.tif')
annotation_list = mir.AnnotationList()
xml_repository = mir.XmlRepository(annotation_list)
xml_repository.setSource('camelyon17/centre_0/patient_010_node_4.xml')
xml_repository.load()
annotation_mask = mir.AnnotationToMask()
camelyon17_type_mask = True 
 # _0 等就是你自己设置的group,ASAP默认group为Annotation Group *
label_map = {'metastases': 1, 'normal': 2} if camelyon17_type_mask else {'_0': 1, '_1': 1, '_2': 0}
conversion_order = ['metastases', 'normal'] if camelyon17_type_mask else  ['_0', '_1', '_2']
annotation_mask.convert(annotation_list, output_path, mr_image.getDimensions(), mr_image.getSpacing(), label_map, conversion_order)

注意的是:自己的标注种类请与代码一致。


3. WSI补丁的生成

以上的步骤已经完全将WSI处理成通用的格式了,但是在处理WSI图片识别问题上,目前,通用的方法是将WSI分成补丁图片(比如256*256像素),然后再利用深度学习、机器学习等方法对其进行处理。


4. 病理癌转移检测

这是我做的第一个项目CNNRF,该项目的输入为WSIs以及其标注XML类型文件,输出为wsi热力图。主要采用了Keras框架进行训练。欢迎大家fork,如果对您有所用处,欢迎点赞哦,也可以关注我,我一直在做这些方面的工作。

没有更多推荐了,返回首页

私密
私密原因:
请选择设置私密原因
  • 广告
  • 抄袭
  • 版权
  • 政治
  • 色情
  • 无意义
  • 其他
其他原因:
120
出错啦
系统繁忙,请稍后再试

关闭