📚 课程目录第2章全切片图像数据基础

2. 全切片图像数据基础

数字病理的起点不是模型，而是一张全切片图像（Whole Slide Image，WSI）。它和普通照片的根本差别在于：一张 40× 扫描的切片，物理尺寸约 15 mm × 15 mm，若按 0.25 μm/像素采样，单层像素规模可达 60000 × 60000，约 36 亿像素。任何显存都无法一次装下，因此 WSI 从诞生起就是"分层 + 分块 + 带元数据"的容器格式，而不是一张平面图。理解这一点，是后续切块、染色归一化、训练与验证的全部前提。

一、WSI 格式：容器、编码与厂商差异

WSI 文件本质是一个"容器"，内部封装了多分辨率图像、缩略图、标签图（label/macro 图）以及描述扫描过程的元数据。常见格式可分为三类：

通用图像容器派：以 Aperio SVS（基于 TIFF）、Hamamatsu NDPI（基于 TIFF）、Leica SCN 为代表，用 TIFF 的 tag 或私有 IFD 存放金字塔层与元数据。
专用格式派：如 Philips iSyntax（.isyntax），采用私有分块压缩与索引结构，必须通过厂商 SDK 读取。
开放标准派：DICOM WSI（Supplement 145）与 OME-TIFF，前者把每层每块作为 DICOM 实例，便于 PACS 归档与跨厂商交换。

工程上最需要记住的是：不同格式的像素数据可以一致，但元数据字段名、单位、坐标系定义往往不一致。例如 Aperio 用 MPP（Microns Per Pixel）描述分辨率，Hamamatsu 常在私有 tag 中给出物镜倍率与扫描分辨率，Philips 则通过 SDK 暴露。因此读取层应统一抽象为"像素 + 层级 + 物理分辨率 + 染色信息"四要素，而不是直接依赖某个库的字段名。

二、金字塔层级：从 Level 0 到缩略图

金字塔是 WSI 的核心结构。Level 0 是最高分辨率原图，Level 1 通常为 Level 0 的 1/2 边长（面积 1/4），依次下采样，直到整图可放入一屏的缩略图。层与层之间是 2 的幂次关系，但并非所有厂商都严格按 2 倍下采样，有的采用 1/4、1/3 等非标准步长，读取时必须依据每层实际尺寸计算下采样因子，而不能假设 downsample = 2^level。

OpenSlide 等库提供 level_count、level_dimensions、level_downsamples 三个关键量。以一张 40000 × 30000 的 Level 0 为例，若共 4 层，则 Level 3 约为 5000 × 3750，下采样因子约 8。训练时常用的 20× 等效视野，往往对应 Level 0 或 Level 1，取决于扫描倍率与目标放大倍率的换算：目标下采样 = 扫描MPP / 目标MPP。例如扫描 MPP = 0.25，希望得到 0.5 μm/像素的等效 20× 视野，则下采样因子为 2，应读取 Level 1。

三、扫描参数：决定像素物理意义的量

扫描参数直接决定"一个像素代表多少微米"，是跨切片、跨中心比较的前提。关键参数包括：

物镜倍率与扫描分辨率：常见 20×（约 0.5 μm/px）与 40×（约 0.25 μm/px）。同一张切片用不同倍率扫描，得到的 MPP 不同，若训练时混用而不做重采样，模型会把"分辨率差异"误学成"形态差异"。
MPP（μm/px）：最核心的物理标定量，用于计算等效放大倍率、切块物理尺寸与细胞尺度。
扫描仪型号与光源：不同扫描仪的照明光谱、白平衡、对焦策略不同，是染色差异的重要来源。
组织区域与背景：扫描仪通常输出带白色背景的整张载玻片，训练前需用组织掩膜（tissue mask）剔除背景，常用 Otsu 阈值或饱和度阈值法。

一个实用的换算示例：若希望每个训练块覆盖 256 μm × 256 μm 的真实组织，在 MPP = 0.5 时块边长应为 512 像素；在 MPP = 0.25 时应为 1024 像素。若统一用 512 像素切块，则前者覆盖 256 μm，后者仅覆盖 128 μm，模型看到的细胞数量相差约 4 倍。因此切块尺寸必须与 MPP 联合确定，而不是固定一个像素值。

四、颜色空间：从 RGB 到染色分离

WSI 存储通常为 RGB（每通道 8 bit），但 RGB 是设备相关的，不同扫描仪对同一张 H&E 切片会给出不同的 RGB 值。病理图像分析中常用的颜色空间包括：

RGB：直接存储格式，便于显示，但对染色浓度变化不鲁棒。
HSV / Lab：分离亮度与色度，常用于组织分割与背景剔除。
OD（光密度）：OD = -log10(I/I0)，把透射光强转为与染色浓度近似线性的量，是染色分离的基础。
HED / 染色矩阵：基于 Beer-Lambert 定律，用苏木素（H）、伊红（E）、DAB 等染料的吸收向量做线性解混，得到各染色通道的浓度图。常用 Ruifrok-Johnston 矩阵或 Macenko 方法估计。

工程上，染色归一化（如 Macenko、Reinhard、Vahadane）通常在 OD 空间或 Lab 空间完成，把源切片的染色统计对齐到参考切片，从而降低跨中心色差。需要注意：归一化应在切块后、送入网络前进行，且参考切片应来自与目标域相近的扫描仪，否则可能引入新的偏差。

五、元数据解析：把文件读成结构化对象

元数据是 WSI 的"说明书"，包含扫描仪、MPP、倍率、染色、扫描时间、组织类型等。解析时应输出一个统一的结构化对象，供后续流程使用。下面给出一个可直接参考的解析与校验示例（Python 伪代码，参数为示例值）：

from openslide import OpenSlide

slide = OpenSlide("case_001.svs")

meta = {
    "level_count": slide.level_count,
    "level_dims": slide.level_dimensions,      # ((40000,30000),(20000,15000),...)
    "level_downsamples": slide.level_downsamples,
    "mpp_x": float(slide.properties.get("openslide.mpp-x", 0)),
    "mpp_y": float(slide.properties.get("openslide.mpp-y", 0)),
    "objective_power": slide.properties.get("openslide.objective-power"),
    "vendor": slide.properties.get("openslide.vendor"),
}

# 校验：MPP 缺失或异常时拒绝进入训练流程
assert 0.1 < meta["mpp_x"] < 1.0, "MPP 异常，需人工确认扫描参数"
assert meta["level_count"] >= 3, "金字塔层数不足，可能为单层导出图"

# 按目标 MPP 选择层级
target_mpp = 0.5
downsample = meta["mpp_x"] / target_mpp
level = min(range(meta["level_count"]),
            key=lambda i: abs(meta["level_downsamples"][i] - downsample))

这段代码体现了三个工程要点：一是MPP 必须校验，缺失或超出合理范围（如 0.1～1.0 μm/px）时应拦截，而不是默认 0.25；二是层级选择用实测 downsample 匹配，而非硬编码 level 编号；三是元数据要落库，与切片 ID、患者 ID、标签一起构成可追溯的数据表，便于后续按扫描仪、倍率分层做验证集划分。

实践建议：在数据入库阶段就建立一张 WSI 元数据表，字段至少包含 slide_id、vendor、mpp_x、mpp_y、objective_power、level_count、level_downsamples、stain、scan_time、tissue_area_ratio。后续做域适应、分层抽样或排障时，这张表比重新解析文件高效得多。

常见坑：把不同 MPP 的切片直接缩放到同一像素尺寸后混合训练，会让模型把"分辨率"当成判别特征；以及忽略金字塔非 2 倍步长，导致按 2^level 计算的下采样因子与实际不符，切块物理尺寸出现系统性偏差。

把以上五部分串起来，WSI 数据基础可以概括为一条链：格式决定怎么读，金字塔决定读哪层，扫描参数决定像素的物理尺度，颜色空间决定怎么归一化，元数据决定整条链是否可追溯、可校验。这条链上的任何一环出错，都会在训练与验证阶段以"模型性能异常"的形式暴露出来，而根因往往不在模型本身。