histolab：一个用于数字病理学预处理和自动化测试的Python库

≥软件X 20（2022）101237原始软件出版物histolab：一个Python库，用于可重复的数字病理学预处理和自动化测试Alessia Marcolinia，1，Nicole Bussolab，c，1，Ernesto Arbitrioe，2，Mohamed Amgadf，朱塞佩·尤尔曼d，3，切萨雷·弗拉内洛a，c，马，3aHK3 Lab，Piazza Manifatture 1，I-38068 Rovereto，ItalybCIBIO，University of Trento，via Sommarive 9，I-38123 Povo（Trento），意大利cOrobix Life，Via G. Camozzi 144，I-24121贝加莫，意大利dFondazione Bruno Kessler，via Sommarive 18，I-38123 Povo（特伦托），意大利YouGovPLC，50 Featherstone Street，London，EC1Y 8R，英国f西北大学，750 N Lake Shore博士，芝加哥，IL 60611，美国ar t i cl e i nf o文章历史记录：收到2022年收到修订版，2022年8月11日接受，2022年保留字：数字病理学持续集成数据预处理深度学习复制代码元数据a b st ra ct深度学习（DL）正在迅速渗透数字病理学领域，其算法成功地应用于简化日常临床实践并发现新的关联。然而，数字病理学的大多数DL这导致软件容易出错，难以理解，同行评审和测试。在这项工作中，我们介绍了histolab，这是一个Python包，旨在通过自动化测试支持，在可重现的环境中标准化全切片图像的预处理。此外，该软件包还提供了用于构建WSI切片数据集的功能，包括增强和形态学运算符、切片评分框架和染色归一化方法。histolab是模块化的，可扩展的，并且可以轻松集成到DL管道中，支持OpenSlide和large_image后端。为了保证稳健性，histolab采用软件工程最佳实践，如多平台自动化测试和持续集成。©2022作者（S）。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。当前代码版本0.5.1用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-22-00116Code Ocean compute capsule DOI：10.24433/CO.1456165.v2Apache许可证，2.0（Apache-2.0）使用git的代码版本控制系统软件代码使用的语言、工具和服务Python编译要求、运行环境&依赖Python3. 7如果可用，链接到开发人员文档/手册https://histolab.readthedocs.io技术histolab.help @ gmail.com软件元数据当前软件版本0.5.1此版本可执行文件的永久链接https://pypi.org/project/histolab/ https://anaconda.org/conda-forge/histolabApache许可证，2.0（Apache-2.0）与操作系统无关的计算平台/操作安装要求相关性请参阅setup.py如果可用，请链接到用户手册-如果正式出版，请在参考列表中引用该出版物https://histolab.readthedocs.io技术histolab.help @ gmail.com通讯作者：HK 3 Lab，Piazza Manifatture 1，I-38068 Rovereto，Italy.电子邮件地址：cesare. hk3lab.ai（Cesare Furlanello）.1 共同第一作者。2 YouGov工程师，以个人身份为本报告撰稿3 最后一个作者。https://doi.org/10.1016/j.softx.2022.1012372352-7110/©2022作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxAlessia Marcolini，Nicole Bussola，Ernesto Arbitrio等人软件X 20（2022）1012372×× ×1. 动机和意义组织的组织学分析是识别复杂疾病的重要诊断资源[1]。全切片图像（WSI）技术的推广和存储成本的下降使得数字病理学（DP）的常规数字工作流程对临床诊断实验室的吸引力越来越大[2这种大规模的转变促使人工智能（AI）在日常实践中的使用标准化[6]。自动化图像分析可以提高现代病理学报告的精度，支持诊断决策和患者管理[6，7]。特别是，深度学习（DL）算法已成功地支持重复的诊断任务，如细胞计数[8]或肿瘤分级[9]，并从染色的组织切片中提取新的预测性生物标志物[10]。不幸的是，为WSIs实施AI支持的工作流程需要大型数据集来提供准确和稳定的结果，由于手动载玻片制备协议的差异和载玻片扫描硬件的可变性，以标准方式进行可扩展管理具有挑战性[11用于计算病理学的DL管道需要大量的预处理，这是有问题的，因为WSI对10的操作涉及特别的和未公开的方法，损害了再现性。WSI非常大，通常分为较小的补丁（瓦片）以适应GPU内存;瓦片程序对模型性能和计算成本有关键影响[13]。因此，瓦片提取策略的标准化对于结果的再现性至关重要。类似地，用于组织检测、伪影排除和图像处理滤波器的程序将可变性和偏差引入AI模型。值得注意的是，算法的有限可推广性是将AI大规模整合到常规临床实践中的主要障碍[7]。此外，用于DP的典型DL流水线的高复杂性经常引入潜在的编码错误，这些错误在没有代码测试和标准化的情况下很可能被忽视。识别错误或极端情况在医疗保健环境中尤为重要[14]。不幸的是，大多数DP管道主要依赖于自定义预处理代码，很少使用系统的代码测试和分析[15，16]。我们介绍histolab，一个开源Python包，WSI预处理，为DP中的DL应用提供标准环境。histolab旨在轻松集成到任何计算管道中，并包括一个综合的自动化软件测试套件，用于早期检测设计缺陷（第S1节），最大限度地降低隐藏技术债务的风险[17]。我们通过使用行业标准的早期评估，软件可信度histolab提供了一个高级界面，用于编写简洁和可重复的脚本，如其官方文档中所详细说明的。4histolab已用于预处理GTEx [18]和TCGA [19]数据集的WSI。此外，它还用于演示和防止DP管道中的数据泄漏[20]。Bussola等人。[21]提出了一个用于量化神经元免疫组分的肿 瘤 标 本 ， 使 用 histolab 进 行 组 织 检 测 、 切 片 和 去 除 伪 影 。histolab还集成在DL管道中，用于乳腺癌中的肿瘤浸润淋巴细胞评估，包括组织检测、标记（sharpie/inking）排除、载玻片平铺和平铺评分[22]。1.1. 相关工作据我们所知，已经开发了其他五个与histolab目标相似的项目：PyHIST[23]，4 https://histolab.readthedocs.io/en/latest/quickstart.html[24][25][26 ][ 27 ][28][29] 此外，还引入了两个面向AI的通用DP工具包：两者都被命名为PathML [28，29]。Berman PathML支持ASAP [30]和QuPath[31] GeoJSON 注 释 。 这 两 个 工 具 包 都 只 支 持 网 格 平 铺 器 ;Rosenthal等人的PathML包括一个用于自动化测试的CI工作流。PyHIST[23] 是 一 个 用 于 WSI 平 铺 的 半 自 动 命 令 行 工 具 。histolab提供了PyHIST中没有的各种功能，包括：（i）一个用于图像处理的过滤器池; 2（ii）一个基于分数的提取器，具有可定制的评分函数; 3（iii）一个具有示例WSIs的数据模块; 4（viii）一个全面的测试套件。此外，PyHIST只支持Aperio深度组织路径项目是为TUPAC量身定制的165数据集[24]，并提供图像预处理实用程序，包括核评分功能。与深度组织病理学相比，histolab具有以下优势：（i）它不针对特定数据集定制;（ii）它的软件包可在PyPI上使用;（ii）它的核评分功能不依赖于经验得出的参数。此外，deep-histopath不包括测试。compay-syntax是一个基于OpenSlide的随机切片[25]第二十五话compay-syntax有一个直观的API，并在PyPI上发布，但其文档有限，缺少软件测试py-wsi构建在OpenSlide之上，包括网格平铺策略和对AperioImageScope XML注释文件的支持[26]。值得注意的是，它支持将切片和元数据保存到LMDB数据库中，以及HDF5格式和用于批量迭代切片的实用程序。py-wsi已经发布在PyPI上，但是它缺少一个软件测试套件。wholeslidedata是在Grand Challenge平台上举办的TIGER挑战赛的背景下开发的6 API是根据挑战的注释和任务类型定制的它包括一个测试套件，但没有用于自动化测试的CI工作流程。最后，有两个平台可供使用，它们是为个人DP平台和查看器量身定制的。HistomicsTK是在数字幻灯片存档利基7内开发的，适用于最佳数据库注释格式和在线幻灯片查看器HistomicsUI的性能[32]。值得注意的是，histolab的网格平铺程序是4. 7比PyHIST快，随机平铺过程是1。5和2. 比PyHIST和compay-syntax分别快6倍（第S3节）。2. 软件描述2.1. 软件构架histolab是一个基于Python的软件，建立在最先进的库之上，例如，OpenSlide [33]和large_image [34]用于低级WSI操作，NumPy [35]用于快速数值计算，scikit-image [36]用于图像处理算法。用于从WSI数据集提取信息瓦片的预处理管道可以在histolab中实现，方法和数据结构由六个主要组件组成：幻灯片，过滤器，掩码，瓦片，瓦片，评分器和数据。5 http://tupac.tue-image.nl/6 https://tiger.grand-challenge.org/7 https://digitalslidearchive.github.io/Alessia Marcolini，Nicole Bussola，Ernesto Arbitrio等人软件X 20（2022）1012373= −−2.2. 软件功能Histolab包含七个模块：载玻片、过滤器、掩膜 、 平 铺 、 平 铺 器 、 评 分 器 和 数 据 。stain_normalizer 模 块 正 在 开 发 中 ， 包 括 Reinhard [37] 、Macenko [38]和Vahadane [39]等染色剂归一化技术。2.2.1. 滑动模块slide模块包含Slide类，该类将虚拟幻灯片的方法和属性包装在单个对象中。Slide类封装了OpenSlide[33]，并依赖于openslide-python库对数字幻灯片进行低级操作。或者，也可以使用large_image作为后端来支持更多的WSI格式（所有格式都支持）。通过bio-formats（150+）移植），并能够以精确的每像素微米分辨率进行瓦片提取。这种布置允许具有用于放大率的供应商中立描述符[40]。这两个后端是可互操作的，它们的使用对用户是完全透明的.WSI通常以金字塔格式存储，其中每个级别对应于特定的放大率。因此，WSI的相关属性是原始放大率下的尺寸、级别数和指定级别下的尺寸通过提供存储WSI的路径和将保存提取的图块的路径来初始化幻灯片。此外，SlideSet类处理Slide对象的集合，可能通过keep_slides参数进行过滤以支持验证和交叉验证。SlideSet的slides_stats属性计算基本统计信息，如公里.2.2.2. 滤波器Filters是一个包含35个图像操作函数的子包（例如，对比度增强或颜色去卷积）、背景去除和图像质量控制。此外，滤波器实现了9种形态滤波器，如膨胀和腐蚀。许多过滤器包装scikit-image [36]和SciPy [41]函数，并重新实现[24]中的函数。值得注意的 是，过 滤器被设计和 测试为单独应 用或作为通过Compose对象的转换链应用。2.2.3. 面具模块该面具模块定义如何计算一个二进制面具从幻灯片，这是必要的信息瓦片提取。TissueMask类利用histolab过滤器分割切片中的组织区域，包括灰度转换、Otsu阈值处理、二进制膨胀、小孔填充和小对象去除。BiggestTissueBoxMask类应用相同的过滤器链来返回与最大连接组织区域的边界框。2.2.4. 瓦片模块用完整的10+ GB WSI来喂养神经网络目前是不切实际的。通常，WSI首先被划分为覆盖感兴趣区域的图块[42]。Tile对象由其提 取 坐 标 和 分 辨 率 描 述 ; 实 际 图 像 是 PIL 图 像 [43] 。 通 过has_enough_tissue（）方法检查检测到的组织的比例是否超过预定义的阈值，可以评估Tile对象的信息量。通过应用一系列histolab滤波器来检测组织，包括灰度转换、Otsu阈值处理、二进制扩张和小孔填充2.2.5. 所述平铺模块提供了三个提取器：RandomTiler，GridTiler和ScoreTiler。它们采用类似的参数，包括图块大小，提取水平和组织的最小覆盖百分比。一般机制是（i）创建平铺对象，（ii）定义幻灯片对象，以及（iii）创建遮罩对象以确定组织内的平铺提取提取在调用平铺器的extract（）方法时开始，RandomTiler：这允许在二进制掩码定义的区域内随机提取预先指定数量的图块。构造函数还需要一个随机种子以实现可重复性。GridTiler：提取由二进制掩码定义的区域内的所有图块。pixel_overlap参数指定两个相邻图块之间重叠像素的数量。 宽度为w和高度为h的图块使用步长为s（wp）（h p）的滑动窗口进行裁剪。ScoreTiler：从相同WSI提取的图块可能不具有相同的信息量;例如，如果目标是检测HE载玻片上的有丝分裂活动，则不具有细胞核的图块几乎不具有信息量。兴趣ScoreTiler根据评分器模块中描述的评分函数对图块进行具体地，ScoreTiler类通过基于计算出的分数以降序对提 取 的 图 块 进 行 排 序 来 扩 展 GridTiler 。 值得注 意 的 是 ，ScoreTiler对评分函数是不可知的;因此，可以实现自定义函数，只要它输入Tile对象并输出数字。 附加参数n_tiles控制要保存的最高排名的图块的数量。每个提取器将自动（i）根据提供的遮罩对象计算WSI上的二进制遮罩;（ii）在遮罩内生成图块;（iii）保存所有生成的图块或仅保存信息图块（如果属性check_tissue设置为True）。为了可视化可以提取的切片的位置，每个Tiler对象都提供了locate_tiles方法，返回一个PIL Image，该图像对应于幻灯片的缩放版本，并列出了切片2.2.6. 记分器模块评分器模块的目标是为第2.2.5节中描述的ScoreTiler提取器提供评分功能。scorer对象输入一个Tile对象并返回它们的计算得分。NucleiScorer类基于检测到的细胞核数量计算从HE载玻片提取的分由于载玻片制备和图像采集技术的高度异质性，WSI上细胞核的自动检测是一项众所周知的检测任务[44]。此外，细胞核的形态和纹理根据几个因素而变化，例如组织结构或疾病类型，往往导致复杂的，重叠的集群[45]。在用于执行核分割的自动化方法中，基于阈值的方法不需要参数调整或训练过程。此外，基于阈值的技术通常与其他方法集成，例如颜色空间转换[46，47]，分水岭变换[48，49]和形态学操作[50，51]。NucleiScorer类实现了一种混合算法，该算法结合了阈值和形态学操作来分割H E染色的WSI上的细胞核所提出的方法是建立在本地histolab过滤 器 ， 即 HematoxylinChannel ， YenThreshold 和WhiteTopHat过滤器。已在UCSB公共数据集[52]（第S2节）上评估了所提出的细胞核分割算法的性能。值得注意的是，算法不需要任何参数调整。 NucleiScorer类将给定图块t的分数定义为：st=NT·tanh（Tt），0≤st 1<其中，Nt是t上的原子核比率，计算为 分割掩模上的白色像素在图块大小上的百分比，以及Alessia Marcolini，Nicole Bussola，Ernesto Arbitrio等人软件X 20（2022）1012374Tt是t中的组织分数。请注意，我们引入了双曲正切来限制组织比相对于细胞核比的权重。CellularityScorer类以非常低的分辨率对图块进行评分，以实现高效处理。 由于细胞核在低放大倍数下不可辨别，CellularityScorer仅依赖于苏木精去卷积和使用YenThreshold滤波器的图像阈值化。因此，将细胞性评分定义为苏木精染色占据的瓦片分数。2.2.7. 数据模块数据模块基于Pooch [53]，可访问11个HE和IHC切片的集合。这些WSI是从三个公共档案中检索的： TCGA ， 8OpenSlide ， 9 和IDR。10The幻灯片被下载并存储在系统缓存中，并且可以在Python脚本中导入;表S4.1描述了所提供的示例3. 说明性实例图1收集了使用histolab从组织载玻片中提取可重现的切片数据集的主要步骤。浸润性乳腺癌的WSI是通过数据模块从TCGA库中检索的（图1）。图1A和表S4.1），初始化将自动保存图块的路径（图1B）。 1B）。选择TissueMask类是为了考虑在载玻片上检测到的整个组织区域（图1）。图1C，左）被幻灯片缩略图上的locate_mask函数高亮显示（图1C，右）。然后定义不同的提取策略（图1）。1Dr-1Dg -1Ds，左），参数如切片尺寸、提取水平和组织的最小要求百分比（第2.2.5节）。每个提取器的结果都可以可视化通过locate_tiles方法（图1名Dr -1Dg -1Ds ，右）。最后，通过提取物进行提取程序，方法在选定的提取器上，通过载玻片和掩模作为参数（图） 1E）。4. 影响和结论histolab为开发DP工作流程预测方法的关键问题提供了可扩展的解决方案。首先，使用histolab可以对WSI进行一致的预处理，提供各种工具，包括自动分割组织区域和瓦片提取的。其次，该库包含软件工程中的核心最佳实践，如自动化测试、代码审查和持续集成。增强预处理步骤的可重复性和可靠性是通过有效的实验设计来训练复杂DL架构的关键优势，该实验设计可减轻偏倚风险。特别是，使用histolab的功能识别和管理临床病理学中的数据泄漏情况[20]。它们对于临床前毒理学也是有价值的，以确保训练和验证集的标准化和分裂在实验之间孤立地进行。类似地，histolab方法可以应用于训练和验证由多个DL模型组成的管道，例如连接用于嵌入的生成式自动编码器和用于分类的卷积神经网络。此外，histolab目前正用作组件之间的软件粘合剂，用于自动组织分割和多组织切片的例如，目前的准则8 https://www.cancer.gov/about-nci/organization/ccg/research/structural-基因组学/tcga9 http://openslide.cs.cmu.edu/download/openslide-testdata10 https://idr.openmicroscopy.org/最大化慢性炎症性肠病（IBD）中结肠镜活检的诊断信息表明，组织学应包括每个肠部位的两个活检结果，也可能包括正常粘膜的两个活检结果[54]。可以使用histolab执行特定例程，以管理瓦片提取并执行DL工具来辅助慢性IBD的诊断或开发用于组织学活性评估的定量评分 溃疡性结肠炎和克罗恩摄取。 histolab包已被纳入审查 由Lancellotti等人[55]，在用于颜色归一化，焦点质量评估，瓷砖提取，区域分割和计数的最流行的软件列表中引用。该软件包也在相关工作中进行了比较[28，56]。作者已将histolab应用于基于DL管道的DP工作流程中的预处理[20，21]。最近，Amgad et al. [22]应用histolab进行（i）组织检测;（ii）检测和排除空白空间和标记;（iii）平铺载玻片并以非常低的分辨率对平铺块进行评分;以及（iv）分析排名靠前的 平铺块。应用. 尽管用于数字病理学的AI已经证明了其在临床和临床前应用中的实用性，例如，对于疾病侵袭性和患者亚型的自动评估，可解释性和可再现性仍然是AI系统临床采用的主要关注点[57]。histolab的多种功能目前被用作临床和临床前病理学AI工作流程的可重现组件。特别是，histolab是HK3 Lab和Orobix Life赞助的研究项目的核心工具箱，这两家初创公司致力于生命科学的人工智能当前和未来的发展。Histolab目前的发展已经引入了一套染色归一化的方法，包括三种标准的归一化算法。平铺方法的接口将得到扩展，以提高灵活性并支持其他工作流程。 正在实施用于具有多个切片的载玻片的有序索引的方法，如典型的结直肠诊断活检。 未来的发展计划管理用于分割和nu- clear注释的注释，以支持多尺度DL U-Net模型的训练[22]和空间感知DL方法的实施。竞合利益作者声明了以下可能被视为潜在竞争利益的经济利益/个人关系：Cesare Furlanello报告了与HK 3 Lab的关系，包括：董事会成员资格和股权或股票。Cesare Furlanello报告了与Orobix Life的关系，其中包括：就业和股权或股票。数据可用性所有的软件和数据都是公开的，在元数据表中有可用的链接。致谢histolab由核心贡献者（AM、NB和EA）以个人身份开发。然而，HK3 Lab对AM的支持得到了认可。我们也感谢W。Tong和FDA/NCTR的同事们为临床前毒理学AI领域附录A. 补充数据与本文相关的补充材料可以在https://doi.org/10.1016/j.softx.2022.101237上找到。Alessia Marcolini，Nicole Bussola，Ernesto Arbitrio等人软件X 20（2022）1012375Fig. 1. histolab工作流程，以使用不同的提取策略从WSI中检索切片数据集。左：histolab主要函数的代码片段，即载玻片下载和初始化（A，B），组织掩模的选择（C），瓦片提取器定义（Dr，Dg，Ds），以及瓦片提取（E）。右：每个步骤的可视化幻灯片缩略图（A-D）和（E）在整个组织掩模上用DR提取器提取的代表性图块引用[1] Echle A，Rindtorff NT，Brinker TJ，Luedde T，Pearson AT，Kather JN.癌症病理学中的深度学习：新一代临床生物标志物。BrJ Cancer2020;124（4）：686[2] 2005年10月27日，2005年10月28日，2006年10月28日，2007年10月28常规数字病理学工作流程：卡塔尼亚经验。J Pathol Inform 2017;8：51.[3] Hanna MG，Chelter VE，Ardon O，Kim D，Sirintrapun SJ，Schüffler PJ，等. 在COVID-19 大流行期间 验证数字病理学系 统，包括远程审查。 ModPathol2020;33（11）：2115-27.[4] Pohn B，Kargl M，Reihs R，Holzinger A，Zatloukal K，Müller H. 朝向更深入地了解病理学家如何做出诊断：组织病理学诊断过程的可视化。2019年IEEE计算机与通信研讨会。IEEE; 2019，p.1081-6[5] HolzingerA，Malle B，Kieseberg P，Roth PM，Müller H，Reihs R，等.数 字 病理 学 中 的 机器 学 习 和知 识 提 取 需要 一 种 综合 方 法 。 In ：TowardsIntegrative Machine Learning andKnowledgeExtraction. Springer; 2017 ，p.13比50[6] EloyC，Zerbe N，Fraggetta F.欧洲为数字化转型团结起来病理学：新的ESDIP的作用病理学通报杂志2021;12：10。[7] 范德拉克J，Litjens G，Ciompi F.组织病理学中的深度学习：通往临床之路。Nat Med 2021;27（5）：775[8] Swiderska-ChadajZ，Pinckaers H，van Rijthoven M，Mel.1999年，Geessink O，M，et al. Learning to detect lymphocytes in immuno-histochemistry with deep learning.医学影像分析2019;58：101547。[9] KarimiD，Nir G，Fazli L，Black PC，Goldenberg L，Salcudean SE.深基于学习的前列腺癌组织病理学图像Gleason分级-多尺度决策聚合和数据增强的作用。 IEEEJ Biomed Health Inf 2019;24（5）：1413-26.[10]Kather JN，Krisam J，Charoentong P，Luedde T，Herpel E，Weis C-A，等.使用深度学习预测结直肠癌组织学切片的生存率：一项回顾性多中心研究。PLoS Med 2019;16（1）：e1002730。[11]Pantanowitz L，Sharma A，Carter AB，Kurc T，Sussman A，Saltz J.二十年的数字病理学：旅行之路的概述，地 平 线 ，以及供应商中立档案的出现。J Pathol Inform2018;9：40.[12]Taqi SA，Sami SA，Sami LB，Zaki SA.组织病理学中的伪影综述。J OralMaxillofac Pathol2018;22（2）：279.[13]Salvi M，Acharya UR，Molinari F，Meiburger KM. 图像预处理和图像后处理技术对深度学习框架的影响：数字病理学图像分析的全面综述。计算机生物医学2020;104129。[14]Singh Chawla D.受到批评的冠状病毒模拟从代码检查工作中获得了好评。Nature2020;582（812）：323-4.[15]Haibe-Kains B ， Adam GA ， Hosny A ， Khodakarami F ， Waldron L ，Wang B， 人工智能中的透明度和再现性。Nature2020;586（7829）：E14-6.[16]CarterRE，Attia ZI，Lopez-Jimenez F，Friedman PA.促进人工智能可重复研究的实用考虑。NPJ Digit Med2019;2（1）：1-3。[17]Sculley D，Holt G，Golovin D，Davydov E，Phillips T，Ebner D，et al.HiddenTechnical Debt in Machine Learning Systems.第28届神经信息处理系统国际会议。ACM; 2015，p. 2503 -11[18]LonsdaleJ，托马斯J，SalvatoreM、菲利普斯R，LoE，沙德S，基 因 型组织表达（GTEx）项目。Nature Genet2013;45（6）：580-5.Alessia Marcolini，Nicole Bussola，Ernesto Arbitrio等人软件X 20（2022）1012376[19]放大图片作者：Tomczak K，Czerwioska P，Wiznerowicz M. 癌症基因组图谱（TCGA）：不可估量的知识来源. Contemp Oncol2015;19（1A）：A68。[20]杨文伟，王晓，王晓伟. AI在瓷砖上滑动：数字病理学中的数据泄漏。国际模式 识 别 会 议 （ International Conference onPatternRecognition ） Springer;2021，p.167比82[21][10]杨文，李文.神经母细胞瘤中免疫含量的量化：数字病理学中的深度学习和拓扑数据分析。Int J Mol Sci 2021;22（16）：8804.[22]AmgadM，Salgado R，Cooper LA.MuTILs：使用临床指南对乳腺癌中的肿瘤 浸 润 淋 巴 细 胞 进 行 可 解 释 的 多 分 辨 率 计 算 评 分 。 2022 ，medRxiv2022.01.08.22268814。[23]Muñoz-Aguirre M，Ntasis VF，Rojas S，Guigó R. Pyhist：一个组织学图像分割工具。PLoS Comput Biol2020;16（10）：e1008349.[24][10]杨文，王文，王文. 深度组织病理 2019年，https：//github.com/CODAIT/deep-histopath网站。[25]Byfield P，Gamper J. Compay-syntax. 2020年，https://github.com/jgamper/compay-syntax。[26]斯通河 Py-wsi。 2020年，https://github.com/ysbecca/py-wsi。[27]vanRijthovenM，GeltonT，KaczmarzykJ.2022，https://github.com/DIAGNijmegen/pathology-whole-slide-data.[28][10]张文辉，张文辉，张文辉. PathML：用于深度学习的全切片图像分析的统一框架。2021，medRxiv2021.07.07.21260138。[29][10] Rosenthal J，Carelli R，Omar M，Brundage D，Halbert E，Nyman J，et al. 构建癌症研究中的机器学习和人工智能工具：PathML计算病理学工具包的最佳实践和案例研究。Molecular Cancer Res2022;20（2）：202-6.[30]计 算 机 病 理 学 小 组 。 ASAP - 自 动 化 载 玻 片 分 析 平 台 。 2022 年 ，https://github.com/computationalpathologygroup/ASAP。[31]Bankhead P，Loughrey MB，Fernández JA，Dombrowski Y，McArt DG，Dunne PD ， et al. Qupath ： Open source software for digital pathologyimageanalysis. Sci Rep 2017;7（1）：1-7.[32]Gutman DA，Khalilia M，Lee S，Nalisnik M，Mullen Z，Beezley J，et al.Thedigitalslidearchive ： Asoftwareplatformformanagement ，integration， andanalysis of histology for cancer research.癌 症研 究2017;77（21）：e75-8。[33][10]李文辉，李文辉，李文辉. OpenSlide：一个面向数字病理学的供应商中立软件基础。J Pathol Inform2013;4：27.[34]Manthey D，Helba B，Nagler M，Mullen Z，Chittajallu DR，Dgutman，etal.Girder/large_image：Version1.11.2.2022，http://dx.doi.org/10.5281/ZENODO.6328224。[35]Harris CR ， Millman KJ ， van der Walt SJ ， Gommers R ， Virtanen P ，Courna-peau D，et al. Array programming with numpy. Nature2020;585：357-62.[36]Van der Walt S，Schönberger JL，Nunez-Iglesias J，Boulogne F，WarnerJD，YagerN，et al. scikit-image：Python中的图像处理PeerJ 2014;2：e453.[37]Reinhard E，Adhikhmin M，Gooch B，Shirley P.图像之间的颜色传递。IEEE Comput Graph Appl 2001;21（5）：34[38]Macenko M，Niethammer M，Marron JS，Borland D，Woosley JT，GuanX，etal. A method for normalizing histology slides for quantitative analysis.2009年IEEE生物医学成像国际研讨会：从纳米到宏观。IEEE; 2009，p. 1107-10[39][10] Vahadane A，Peng T，Sethi A，Albarqouni S，Wang L，Baust M，etal. 用于组织学图像的结构保持颜色归一化和稀疏染色分离。IEEE Trans MedImaging2016;35（8）：1962-71。[40]Sellaro TL ，Filkins R， Hoffman C，Fine JL ，Ho J， Parwani AV， et al.Relationshipbetweenamplificationandresolutionindigitalpathologysystems. JPathol Inform2013;4：21.[41]VirtanenP ， Gommers R ， Oliphant TE ， Haberland M ， Reddy T ，Cournapeau D ， et al. SciPy 1.0 ： fundamental algorithms for scientificcomputing in Python. Nature Methods2020;17（3）：261-72.[42]科恩病理学中的人工智能和深度学习。Elsevier;2020.[43]克 拉 克 A. 枕 头 （ PIL 叉 ） 文 档 。 2015 ， https ： //buildmedia.readthedocs.org/media/pdf/pillow/latest/pillow.pdf网站。[44]杨伟华，王伟华，王伟华. 数字化组织病理学中细胞核检测、分割和分类的方法：综述-现状和未来潜力。IEEE R