4. 切片级与图块级处理策略

WSI（全切片图像）动辄数万×数万像素，直接送入分割网络既不现实也无必要。真正决定分割质量与训练效率的，是“切片级”与“图块级”两级处理策略的配合：切片级负责在金字塔中选层、定位组织区域、规划切块网格；图块级负责把每个patch变成可训练、可推理的样本，并在推理后把结果拼回整张切片。本节围绕这条主线，讲清层级选择、patch提取、重叠与步长、多尺度融合，并给出一个可落地的patch数据集构建流程。

一、金字塔层级选择：先定“看多细”

WSI通常以金字塔形式存储，层级0为最高分辨率（如0.25 μm/pixel），层级越高分辨率越低。选择层级本质是在“细节”与“上下文/显存”之间做权衡。常用判断依据是目标结构的物理尺度：细胞核约5～10 μm，腺体约50～200 μm，肿瘤区域可达毫米级。若目标为细胞核分割，通常选层级0或1（0.25～0.5 μm/pixel）；若为腺体或区域分割，常选层级1或2（0.5～2 μm/pixel），使单个patch能覆盖足够上下文。

工程上还需注意两点：一是不同扫描仪的μm/pixel不同，不能只按层级号选层，应按目标物理尺寸反推层级；二是训练与推理必须使用同一层级或同一物理分辨率，否则模型看到的纹理尺度会漂移。例如目标为腺体，希望patch覆盖256 μm，若层级1为0.5 μm/pixel，则patch边长应为512像素；若层级2为1.0 μm/pixel，则边长256像素即可。

二、图块提取：从组织掩膜到patch网格

WSI中大量区域是白色背景，直接切块会引入大量无效样本。标准做法是先做组织区域检测：将低分辨率缩略图转灰度，用Otsu阈值分割，再经形态学闭运算与孔洞填充，得到组织掩膜。随后在掩膜内按固定步长滑动窗口提取patch。判断一个patch是否保留，常用“组织像素占比”阈值，例如≥50%保留，否则丢弃；也可用熵或颜色方差过滤模糊、空片区域。

提取时需记录每个patch的元数据：切片ID、层级、左上角坐标(x, y)、patch尺寸、物理分辨率、组织占比、标签路径。这些字段是后续拼接与评估的基础，缺一不可。

三、重叠与步长设计：平衡覆盖与冗余

步长（stride）与patch尺寸（patch_size）共同决定重叠率：重叠率 = 1 − stride / patch_size。若patch_size=512、stride=512，则无重叠；stride=256则重叠50%。重叠的作用有三：一是缓解边界效应，使分割结果在拼接处更连续；二是增加样本多样性，提升训练鲁棒性；三是推理时通过重叠投票（如取平均或多数投票）抑制单块误判。

但重叠并非越大越好。重叠率从0提升到50%，patch数量约增加4倍，训练与推理成本显著上升。实践中，训练阶段常用25%～50%重叠以增强样本；推理阶段常用50%重叠并配合高斯加权融合，边缘权重低、中心权重高，可有效消除拼接缝。若显存紧张，可先按无重叠推理，再对边界区域做二次精细推理。

四、多尺度特征融合：让模型同时“看细”和“看全”

单一层级往往难以兼顾细节与上下文。多尺度融合的常见做法有三类：一是输入级融合，将同一位置的不同层级patch分别送入网络，再在特征层拼接或相加；二是特征金字塔，在编码器中引入多分辨率特征并自顶向下融合；三是决策级融合，分别在不同层级推理，再对概率图加权平均。实践中，输入级融合实现简单、效果稳定，适合作为基线；特征金字塔更适合端到端训练，但显存开销更大。

一个可操作的策略是：以层级1为主输入（0.5 μm/pixel，patch 512×512），同时下采样得到层级2的256×256作为上下文分支，两分支在解码器末端拼接。这样既保留了腺体边界细节，又引入了更大范围的解剖上下文。

五、实战：构建patch数据集用于分割任务

下面给出一个可执行的patch数据集构建流程，以腺体分割为例，假设原始WSI为层级0，0.25 μm/pixel，目标物理分辨率0.5 μm/pixel，patch 512×512，训练重叠50%，推理重叠50%。

输入：WSI 列表 + 对应标注掩膜（层级0）
参数：target_mpp = 0.5, patch_size = 512, stride_train = 256, stride_infer = 256
      tissue_thresh = 0.5, min_tissue_area = 0.01

步骤：
1. 读取缩略图，Otsu 分割 + 形态学闭运算 → 组织掩膜
2. 计算目标层级 level = log2(0.5 / 0.25) = 1
3. 在 level 1 上按 stride_train 滑动窗口，提取 patch
4. 对每个 patch 计算组织占比，≥0.5 保留，否则丢弃
5. 同步裁剪标注掩膜，生成对应 label patch
6. 记录元数据：slide_id, level, x, y, patch_size, mpp, tissue_ratio
7. 按 slide_id 划分训练/验证/测试，避免同切片泄漏
8. 保存为 HDF5 或 PNG + CSV 索引

构建完成后，建议做三项检查：一是随机抽样可视化patch与标签是否对齐；二是统计正负样本比例，若正样本过少，可对含目标区域的patch做过采样；三是检查不同切片的颜色分布，必要时做颜色归一化（如Macenko或Reinhard），减少染色差异带来的域偏移。

总结来说，切片级策略决定“在哪里看、看多细”，图块级策略决定“怎么看、怎么拼”。层级选择要按物理尺度反推，patch提取要结合组织掩膜与占比过滤，重叠与步长要在覆盖率和成本之间取平衡，多尺度融合则让模型同时具备细节与上下文。把这四件事做扎实，patch数据集才能真正支撑起稳定的分割训练与推理。