TCGA数据库中WSI图像的切割

目前的卷积神经网络智能诊片,往往需要输入的图片大小为128×128、224×224...等等,但是对于全视野数字病理影像图片(whole-slide images,WSI)往往是10000×10000分辨率,对于过大的图像,需要对其进行裁剪,才能进行训练。

今天主要分享在学习病理影像智能诊断过程中获得的一些知识和经验,与诸君共勉!

1.python中需要用的基础库

最主要的是histolab库histolab · PyPI,但是其建立在openslide库的基础上,关于openslide库的安装,可以在PyPI · The Python Package Index中进行寻找然后进行下载。这两个库主要是针对病理影像开发的库。

2.随机抽取tile的分割方法

对于过大图像,我们可以在整个图像上进行随机抽取几个或者几十个指定大小的图像。

from histolab.slide import Slide
import os
BASE_PATH = os.getcwd()
CRC_path='./TCGA-A6-2677-11A-01-TS1.svs'#图片位置
path=r"./picturecut"#切割完成后图片存放的位置
CRC_slide = Slide(CRC_path,processed_path=path)
print(f"Slide name:{CRC_slide.name}")#幻灯片名称
print(f"Levels:{CRC_slide.levels}")
print(f"Dimensions at level 0:{CRC_slide.dimensions}")
print(f"Dimensions at level 1:{CRC_slide.level_dimensions(level=1)}")
print(f"Dimensions at level 2:{CRC_slide.level_dimensions(level=2)}")
print("Native magnification factor:",CRC_slide.level_magnification_factor())

print("Magnification factor corresponding to level 1:",CRC_slide.level_magnification_factor(level=1),)

输出结果:

#Slide name:TCGA-A6-2677-11A-01-TS1
#Levels:[0, 1, 2]
#Dimensions at level 0:(14000, 13138)
#Dimensions at level 1:(3500, 3284)
#Dimensions at level 2:(1750, 1642)
#放大倍数
#Native magnification factor: 20.0X      #本身放大
#Magnification factor corresponding to level 1: 5.0X  #在水平1上的放大倍数

以上是图像的基本信息 

分割过程 

from histolab.tiler import RandomTiler
random_tiles_extractor = RandomTiler(
    tile_size=(224, 224),
    n_tiles=100,
    level=0,
    seed=42,
    check_tissue=True, # default
    tissue_percent=80.0, # default
    prefix="random11/", # save tiles in the "random" subdirectory of slide's processed_path
    suffix=".png" # default
)

random_tiles_extractor.locate_tiles(
    slide=CRC_slide,
    scale_factor=24,  # default
    alpha=128,  # default
    outline="red",  # default
)

 

 可以看到其中红色的框子就是随机选择的100张,224×224分辨率的tile。

对选择的图像进行保存

random_tiles_extractor.extract(CRC_slide)

 

 reference:
histolab · PyPI

  • 16
    点赞
  • 56
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 16
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 16
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小庞统计

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值