3. 病理图像预处理工程

全切片图像（WSI）动辄数万×数万像素，一张 40× 的切片在磁盘上常达 1～3 GB。若把整张图直接送入训练或推理，绝大部分算力会消耗在白色玻璃背景上，而真正含诊断信息的组织区域往往只占 20%～60%。因此，预处理工程的核心目标可以概括为一句话：用尽可能低的成本，把“有效组织像素”从“背景、伪影、低质量区域”中分离出来，并给出可追溯的质量标签。本节围绕组织区域分割、背景去除、伪影检测与质量控制四条链路，讲清自动化实现的关键参数与判断依据。

一、组织区域分割：从缩略图到掩膜

工程上几乎不会在全分辨率上做组织分割，而是先在低倍缩略图上完成，再把掩膜映射回原图坐标。典型流程是：读取 WSI 的 level 0 尺寸与各层下采样倍率，取一个约 1/32 或 1/64 的层级（例如 40× 切片对应约 1.25×），得到一张几千像素宽的缩略图。随后做两件事：一是颜色空间转换，把 RGB 转到 HSV 或 Lab，利用饱和度 S 与亮度 V 的差异区分组织与玻璃；二是阈值化，常用 Otsu 自动阈值或固定阈值组合。

一个可复现的示例参数是：在 HSV 空间取 S 通道，先做 5×5 高斯模糊抑制噪声，再用 Otsu 得到阈值 t，若 S > t 判为候选组织；同时用 V 通道排除过暗区域（如 V < 30 视为墨迹或阴影）。得到二值图后，用形态学开运算（核 7×7）去掉孤立噪点，用闭运算（核 15×15）填补组织内部的小孔洞，最后保留面积大于缩略图总面积 0.5% 的连通域，其余视为碎片丢弃。这样得到的掩膜再按倍率放大回 level 0，即可用于后续切块。

需要注意坐标约定：WSI 的 (0,0) 通常位于左上角，x 向右、y 向下，所有掩膜、切块坐标都沿用这一约定，避免后续拼接时出现镜像或偏移。

二、背景去除与切块策略

背景去除不是简单“把白色删掉”，而是决定哪些切块进入数据集。常见做法是在掩膜上以固定步长滑动窗口，例如 256×256 像素、步长 128（50% 重叠），逐块统计组织像素占比。占比低于阈值（如 30%）的块直接丢弃；占比在 30%～60% 的块保留但打上 low_tissue 标签，训练时可用于难例挖掘；占比高于 60% 的块作为常规样本。若某块组织占比超过 95% 且四周无空白，可标记为 dense，适合高倍放大训练。

重叠切块会带来重复样本，需要在采样阶段做去重或降权。一个实用做法是：对同一张切片，按块中心坐标做网格聚类，每个网格只保留组织占比最高的块，其余以 0.3 的权重参与训练。这样既保留边界信息，又避免模型反复看到几乎相同的图像。

三、伪影检测：笔迹、气泡、折叠与失焦

病理切片常见伪影包括：标记笔笔迹（蓝、绿、黑）、封片气泡、组织折叠、刀痕、灰尘以及失焦模糊。自动化检测通常分两步：先做颜色异常检测，再做纹理/清晰度检测。

笔迹检测可利用颜色先验：蓝色笔迹在 HSV 中 H 约 200°～240°、S 较高；绿色笔迹 H 约 90°～150°。对每个切块统计这些色相区间的像素比例，超过 5% 即标记 pen_mark。气泡表现为局部高亮、低饱和的圆形区域，可用 V > 230 且 S < 20 的连通域面积占比判断，超过 3% 标记 bubble。折叠区域则表现为局部对比度骤降、纹理方向紊乱，可用拉普拉斯方差（Laplacian variance）衡量：若某块方差低于全片组织块中位数的 0.4 倍，标记 fold 或 blur。

失焦检测更直接：对每个切块计算 Tenengrad 梯度能量或 Brenner 梯度，若低于阈值则判为失焦。示例阈值可设为全片组织块梯度中位数的 0.5 倍。所有伪影标签都应写入切块元数据，而不是直接删除，便于后续按需过滤或做鲁棒性实验。

四、质量控制：把标签变成可执行的过滤规则

质量控制的产出不是“好/坏”二分类，而是一组可组合的标签与分数。建议每个切块至少记录：组织占比 tissue_ratio、平均饱和度 mean_sat、拉普拉斯方差 lap_var、笔迹比例 pen_ratio、气泡比例 bubble_ratio、是否边缘 edge_flag。基于这些字段，可以定义分级规则：

工程实现上，建议把上述规则写成配置文件而非硬编码，例如用 YAML 描述阈值，预处理脚本读取后逐块计算并输出 CSV/Parquet 清单。清单中每行对应一个切块，包含切片 ID、坐标、倍率、各指标与最终等级。这样当模型效果异常时，可以快速回溯是数据质量问题还是模型问题。

最后，预处理链路的输出应包含三样东西：切块图像（或坐标索引）、逐块质量清单、以及一份可复现的参数配置。三者缺一不可——只有图像没有清单，无法追溯；只有清单没有配置，无法复现。把这三者作为预处理工程的交付物，后续训练与验证才有稳定的数据基础。