2. 全切片图像数据基础

数字病理的几乎所有算法问题，最终都要回到一个共同的起点：全切片图像（Whole Slide Image，WSI）。它不是一张普通的大图，而是一个自带多分辨率结构、坐标系、颜色约定和元数据的“图像数据库”。如果只把 WSI 当成一张超大 PNG 来读，后续的切块、染色归一化、模型训练和结果回写都会出现难以定位的错误。本节围绕 WSI 的六个基础要素展开：文件格式、金字塔层级、扫描分辨率、颜色空间、元数据以及公开数据集。

一、WSI 格式：容器而非单一图像

WSI 文件本质是一个容器格式，内部同时保存了多级缩略图、瓦片（tile）、标签图（label/macro 图）以及描述性元数据。常见格式包括：

• 专有/厂商格式：Aperio 的 .svs、Hamamatsu 的 .ndpi、Leica 的 .scn、3DHISTECH 的 .mrxs、Philips 的 .isyntax。它们通常基于 TIFF 或自有容器，压缩方式、瓦片尺寸和元数据字段各不相同。
• 开放格式：.tiff/.tif（通用金字塔 TIFF）、.ome.tiff（带 OME 元数据）、DICOM WSI（.dcm，医疗影像标准，支持多帧与结构化元数据）。

工程上通常不直接解析这些格式，而是通过 OpenSlide、libvips、pyvips、tiffslide 或厂商 SDK 读取。以 OpenSlide 为例，读取某层某区域的核心接口是：

import openslide
slide = openslide.OpenSlide("case_001.svs")
print(slide.level_count)          # 金字塔层数
print(slide.level_dimensions)     # 每层 (宽, 高)
print(slide.level_downsamples)    # 每层相对 level 0 的降采样倍数
region = slide.read_region((x, y), level, (w, h))  # 注意 (x,y) 始终是 level 0 坐标

这里有一个极易出错的约定：read_region 的坐标始终以 level 0 为参照，而返回图像尺寸由 (w, h) 决定。若把某层的坐标直接传入，就会读到错误位置。这是 WSI 工程中最常见的坐标错误来源。

二、金字塔层级与扫描分辨率

扫描仪以最高分辨率采集整张玻片后，会逐级降采样生成金字塔。若 level 0 为 40×（约 0.25 μm/pixel），则 level 1 通常为 20×（0.5 μm/pixel），level 2 为 10×（1.0 μm/pixel），以此类推。降采样倍数与物理分辨率成反比：

MPP_level = MPP_0 × downsample
例如 MPP_0 = 0.25 μm/px，downsample = 4 → MPP = 1.0 μm/px（约 10×）

不同任务对层级的需求不同：细胞核分割与有丝分裂检测通常需要 40× 或 20×；组织区域分割、肿瘤/正常判别常用 10× 或 5×；而全局缩略图用于导航和质控。因此，一个实用的做法是先确定“目标 MPP”，再反推应读取哪一层，而不是固定使用某一层。例如目标 MPP 为 0.5 μm/px，就应选择 downsample 最接近 2 的层。

此外，WSI 的像素坐标与物理尺寸之间通过 MPP 换算。若要在 40× 下取一个 256×256 的 patch，其物理边长约为 256 × 0.25 = 64 μm；若在 10× 下取同样像素尺寸，物理边长则为 256 μm，覆盖范围相差 4 倍。这一换算直接决定了模型的感受野和细胞计数密度。

三、颜色空间与染色归一化

病理图像是 RGB 三通道，但 RGB 并不适合直接做染色分离。H&E 染色中，苏木素（Hematoxylin）呈蓝紫色，伊红（Eosin）呈粉红色，两者在 RGB 中高度耦合。常用处理方式包括：

• RGB → 灰度：用于快速质控或简单分割，但会丢失染色信息。
• HSV / Lab：分离亮度与色度，便于处理光照不均。
• 光密度（OD）与颜色去卷积：将 RGB 转换到 OD 空间，再按已知染色矩阵分离为 H 和 E 两个通道。这是 Macenko、Vahadane 等归一化方法的基础。

颜色归一化的目的是消除不同扫描仪、不同实验室、不同批次染色造成的色差。工程上通常先估计参考图像的染色矩阵，再把目标图像映射到参考空间。需要注意：归一化会改变像素值，若后续模型在未归一化数据上训练，推理时也必须保持一致的处理链，否则性能会明显下降。

四、元数据：决定读取方式的关键信息

WSI 元数据通常包含：扫描仪型号、MPP、放大倍数、金字塔层数与各层尺寸、瓦片尺寸、压缩方式、ICC 色彩配置、玻片标签、扫描时间等。OpenSlide 以 properties 字典暴露这些字段，例如 openslide.mpp-x、openslide.objective-power、openslide.level[0].downsample。读取前应先检查这些字段是否存在，因为部分格式或转换后的文件可能缺失 MPP，此时需要根据 objective-power 或已知扫描参数估算。

五、常见公开数据集

公开数据集是验证算法和对比结果的基准。下表列出数字病理中常用的几个：

使用公开数据集时，应关注其扫描分辨率、染色方案和标注粒度是否与自己的任务一致。例如 PCam 是 patch 级数据，不能直接用于 WSI 级推理；TCGA 的 WSI 来自多个中心，色差较大，是检验归一化方法的好材料。

六、从读取到可训练样本的完整链路

把上述要素串起来，一个典型的 WSI 预处理链路是：读取元数据 → 确定目标 MPP 与对应层级 → 在 level 0 坐标系下按步长滑窗取 patch → 过滤背景（如根据灰度阈值或组织掩膜）→ 颜色归一化 → 保存为 patch 数据集。下面给出一个可参考的参数配置示例：

目标 MPP: 0.5 μm/px
patch 尺寸: 256 × 256 px
步长: 256 px（无重叠）或 128 px（50% 重叠）
背景过滤: 灰度均值 < 220 且组织占比 > 30%
归一化: Macenko，参考图取自同批次正常切片
输出: patch 图像 + 对应 level 0 坐标 (x, y)

其中坐标必须记录为 level 0 坐标，这样无论后续用哪一层读取，都能通过 downsample 换算回原图位置，保证结果可回写、可复核。

掌握以上六个要素后，面对任意一张 WSI，都能先回答三个问题：它是什么格式、有哪些层级、目标 MPP 对应哪一层；再决定如何取 patch、如何归一化、如何记录坐标。这些基础决定了下游细胞检测与分类模型能否稳定复现。