📚 课程目录第3章 WSI数据格式与读取性能

3. WSI数据格式与读取性能

全切片图像（WSI）动辄数万×数万像素，单张未压缩数据量可达数GB至数十GB。推理流水线真正读取的从来不是整张图，而是金字塔中某一层级的若干tile。因此，WSI读取性能的核心问题可以归结为三件事：选对层级、算对坐标、管好缓存。工具库的差异，本质上是在这三件事上的实现方式与开销不同。

一、WSI的存储结构：金字塔与tile

主流WSI格式（SVS、NDPI、MRXS、TIFF衍生格式等）普遍采用金字塔式多分辨率存储。以一张40×放大倍率、尺寸为100000×80000像素的切片为例，其金字塔通常包含若干层级，每层相对上一层的下采样倍率为2：

层级	下采样倍率	近似尺寸	典型用途
Level 0	1×	100000×80000	精细细胞形态、核分割
Level 1	2×	50000×40000	中等倍率组织分类
Level 2	4×	25000×20000	组织区域定位
Level 3	16×	6250×5000	缩略图、ROI粗筛

每个层级内部又被切分为固定边长的tile，常见为256×256或512×512。tile是磁盘I/O与解码的最小单位，也是推理批次的天然粒度。理解这一点很关键：读取一个tile的代价，远低于读取一个任意矩形区域，因为后者可能跨越多个tile并触发额外解码。

二、坐标系统：层级坐标与level 0坐标的换算

WSI工具库普遍提供两套坐标：level 0坐标（全分辨率像素坐标）和层级坐标（当前level下的像素坐标）。二者关系为：

level_coord = level0_coord / downsample_factor
downsample_factor = 2 ^ level   # 以2倍下采样金字塔为例

# 示例：level 0 坐标 (40960, 32768) 在 level 2 的位置
# downsample = 2^2 = 4
# level2_x = 40960 / 4 = 10240
# level2_y = 32768 / 4 = 8192

实际工程中更常用的是按目标物理分辨率反推层级。假设模型要求输入对应0.5 μm/pixel，而WSI的level 0为0.25 μm/pixel，则目标下采样倍率为2，应读取level 1。若直接读取level 0再缩放，会浪费约4倍I/O与解码开销。这是吞吐优化中最容易被忽视、收益却最直接的一步。

注意：不同厂商格式的downsample_factor未必严格等于2的整数次幂，部分NDPI或MRXS存在非2倍层级。务必通过工具库读取每层的实际downsample值，而不是硬编码2^level。

三、工具库对比：OpenSlide、tiffslide、cuCIM

三者的定位差异明显。OpenSlide是C库加Python绑定，格式覆盖最广，稳定成熟，但解码路径以CPU为主，且Python层调用存在GIL与对象创建开销。tiffslide是纯Python实现，基于tifffile与zarr，安装轻量、无系统依赖，对标准 pyramidal TIFF兼容好，但格式覆盖不如OpenSlide，且大图随机读取性能依赖底层解码器。cuCIM则面向GPU加速，提供CuImage与GPU版read_region，可将解码、色彩转换、重采样放到GPU，适合高吞吐批量推理，但需要CUDA环境且对部分私有格式支持有限。

维度	OpenSlide	tiffslide	cuCIM
格式覆盖	最广（SVS/NDPI/MRXS等）	以TIFF系为主	TIFF系为主，部分格式受限
解码位置	CPU	CPU	CPU/GPU
安装依赖	需系统库	纯Python，轻量	需CUDA
随机tile读取	稳定	良好	GPU批量时优势明显
适用场景	多格式兼容、通用推理	标准TIFF、轻量部署	高吞吐GPU推理

四、缓存策略与吞吐的关系

推理吞吐通常以tiles/s或patches/s衡量。影响它的不只是单次读取速度，还有重复读取的命中率。典型场景中，同一张切片会被多次访问：先粗筛ROI，再对ROI内tile精细推理。若每次都重新解码，I/O与解码会成为瓶颈。

常见缓存策略有三层：文件句柄缓存（避免反复打开关闭WSI）、tile级LRU缓存（缓存已解码的tile数组）、批次预取（按扫描顺序提前读取下一批tile）。在PyTorch DataLoader中，可通过设置num_workers与prefetch_factor实现预取；在cuCIM中，可利用GPU显存缓存热点tile，减少Host-Device拷贝。

经验性示例：某流水线在level 1读取512×512 tile，单worker约120 tiles/s；开启tile级LRU缓存并命中约60%重复请求后，有效吞吐可提升至约200 tiles/s。该数值为教学示例，实际结果取决于磁盘、解码器与并发度。

五、工程落地的判断依据

选择工具与策略时，可按以下顺序判断：若切片格式多样且需要稳定兼容，优先OpenSlide；若部署环境受限、格式为标准TIFF，tiffslide更轻便；若已有GPU且批量推理吞吐是瓶颈，cuCIM的GPU解码与缓存更合适。层级选择上，先由模型输入分辨率反推目标μm/pixel，再匹配最接近的金字塔层级，避免从level 0缩放。缓存上，先统计同一张切片的重复tile访问比例，若重复率高，LRU缓存收益显著；若访问模式为顺序扫描，预取比缓存更有效。

最终吞吐不是单一工具决定的，而是层级选择、坐标换算正确性、缓存命中率、并发与预取配置共同作用的结果。把这三层关系理清，再结合具体格式与硬件做小规模基准测试，才能得到可复现的推理吞吐结论。