1. WSI数据工程全景

数字病理的核心产物是全切片图像（Whole Slide Image，WSI）。它不是一张普通照片，而是一份由扫描仪逐行采集、经压缩封装、再被软件按需解码的“多层数据容器”。理解WSI数据工程，首先要看清从物理玻片到可计算张量之间的完整链路，以及这条链路上每一环对后续算法的影响。

一、数字病理成像链路

一张玻片进入扫描仪后，典型流程如下：

1. 物理玻片准备：组织切片经HE或IHC染色，盖玻片封片。染色深浅、气泡、褶皱、刀痕都会直接进入图像。
2. 明场扫描：扫描仪以20×或40×物镜逐行采集。以40×为例，单像素对应约0.25 μm，一张15 mm×15 mm组织区域约产生60000×60000像素，即36亿像素。
3. 条带拼接：相机逐行或逐块采集，软件按重叠区域做拼接，形成整幅图像。
4. 金字塔构建：为支持不同缩放级别浏览，系统生成多级降采样层，通常每层边长减半，形成Level 0、Level 1、Level 2……
5. 分块与压缩：每层再切成固定大小的Tile（常见256×256或512×512），用JPEG或JPEG 2000压缩后写入文件。
6. 元数据写入：记录MPP、放大倍率、扫描仪型号、ICC色彩配置、组织轮廓等。

这条链路决定了WSI的三个关键属性：空间分辨率极高、数据量巨大、访问必须分块。任何后续处理，都必须围绕这三点设计。

二、WSI文件结构：为什么不能当普通图片读

WSI常见格式包括SVS、NDPI、MRXS、SCN、TIFF衍生格式等，它们大多基于TIFF容器扩展。一个典型WSI文件内部包含：

• 元数据区：记录MPP（每像素微米数）、放大倍率、扫描仪型号、ICC色彩配置、组织轮廓等。MPP是后续所有物理尺度计算的基准。
• 金字塔层：Level 0为全分辨率，Level 1为1/2，Level 2为1/4，依此类推。层数由扫描仪和软件决定。
• Tile索引：每层被切成固定大小Tile，索引记录行列号与文件偏移，支持随机访问。
• 标签与辅助图：Label缩略图、Macro概览图、Thumbnail，用于快速预览和质控。

关键点在于：WSI不能一次性读入内存。一张40×的WSI原始像素约36亿，若以uint8三通道存储，约10.8 GB；即使压缩后也有数百MB到数GB。工程上必须通过“坐标+层级”请求区域，由库按Tile解码后返回局部数组。OpenSlide、tiffslide、pyvips等工具正是为此设计。

三、工程化处理的核心挑战

把WSI变成可训练、可推理的数据，主要面临四类挑战：

此外还有组织区域与背景分离、多分辨率一致性、格式兼容性等实际问题。例如，同一张WSI在20×和40×下读取同一物理区域，坐标换算必须依赖MPP，否则会出现尺度错位。

四、典型任务与数据流

WSI数据工程的典型任务可以归纳为一条从“原始文件”到“模型输入”的数据流：

1. 读取与解码：按坐标和层级读取Tile，得到RGB数组。
2. 组织区域检测：用低分辨率缩略图做阈值分割，排除白色背景，减少无效计算。
3. 分块采样：在组织区域内按步长切Patch，常见256×256或512×512，可带重叠。
4. 颜色归一化：如Reinhard、Macenko、Vahadane等方法，将不同切片映射到统一色彩空间。
5. 特征提取或模型推理：Patch送入CNN/ViT，得到特征或分类结果。
6. 聚合与输出：将Patch级结果聚合成切片级预测，或输出像素级分割掩膜。

以一张40×、MPP=0.25的WSI为例，若组织区域占整图30%，按256×256、步长256切Patch，则约产生数万个Patch。若直接全部送入模型，计算量极大。因此实际工程中常先降采样到10×或5×做初筛，再对可疑区域做高倍复核。这种“由粗到细”的策略，正是WSI数据工程区别于普通图像处理的核心思路。