WSI(Whole slide image)-SDK on Linux 顾名思义,先挖个坑以后再填。
Content
先做一个简单的科普, 这一部分太长只写中文。 You could read introduction by Google Translate.
WSI常作为医疗病理切片图像的保存载体，通常大小在几百MB到十几GB不等。WSI保存的是一个不同尺度下的图像序列，可以理解为用不同放大倍数的显微镜扫描了同时刻下的同一目标，更加直观的可根据下图所示的金字塔结构来理解。
由于设备厂商不同，WSI存在多种格式，常见的SVS和TIF为 Aperio的格式，另外本项目还涉及一种KFB格式是由江丰生物的扫描设备生成的私有格式。本项目处理的主要就是svs和kfb格式的数据。
在进行读取的过程中，主要用到的是Openslide库，我把Openslide的python库都封装在一起，为了较为规范的读取数据，wsi图像被分为header和image两个部分。header中包含wsi的层次结构、尺度以及标签等信息，image为最大分辨率图像，也就是level0图像。一般level0的图像会非常大，尺度常在10000*10000像素以上，长宽超过65000像素的图像，就无法用OpenCV导出为jpg格式了，同理Pillow也是没有办法处理的，而png与tiff格式则没有这一限制。
为了直观的查看图像，可以通过特定的查看器如Image Scope, kfb格式可以通过KViewer打开。
Please see the requirements.txt
You can read svs/tiff file by below codes:
from wsi import WSI
wsifile = WSI('your file path')
image = wsifile.read()
Then you get image as np.ndarry format, you can save it by cv2.imwrite if image scale under 65000 pixels.
Codes as below:
import kfb
KFB = kfb.kfb('your file path')
image = KFB.read()
header = KFB.header()
There are some relate information contained by header, formated as a python dictionary.
Notice: If you use "Mask label method" to extract image, please remember your mask's axises are reversed for wsi image.
最近做了一个基于深度学习的癌细胞检测模型，不过苦于门外汉出身，且没有数据标签，所以一直在忙数据清洗和打标签的工作（老大说的是最好不要做人工标注，用颜色来区分，但是光凭HE染色结果怎么可能分得出来）。模型用的是预训练的SqueezeNet，反而没有花费我太多的时间，短短几天我也从小白变成了一个能看懂胃癌切片的专业人士了（加班时长决定成败与否）。经过多次测试，发现数据标注越好，模型拟合也越顺利。这个项目我打算周末整合一下再放出来，不过出于商业原因数据不会公开的，也敬请原谅。
这部分的代码已经完成了，详情请见tumor-annotation,有什么问题的话欢迎添加issue.
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent