（病理图像质控）分割病理图像（whole slide images，WSI）中包含组织的区域，去掉空白区域

文末有代码链接！！！！！

修改 2023-03-14

偷空写个帖子。
在处理全病理切片（WSI）的时候，经常会碰到一个问题。就是整个WSI很大，其中有很多空白的地方，深度学习或者传统的图像处理都不需要处理的，如何把这些空白区域去掉。

用的最多的是传统的灰度图OTSU分割，简单的说就是：

import cv2
import numpy as npimport skimage
import skimage.morphology
#删除小空洞，可以看我另一片文章。
def remove_small_hole(mask, h_size=10):"""remove the small holeArgs:mask (_type_): a binary mask, can be 0-1 or 0-255h_size (int, optional): min_size of the holeReturns:mask"""value = np.unique(mask)if len(value)>2:return Nonepre_mask_rever = mask<=0pre_mask_rever = skimage.morphology.remove_small_objects(pre_mask_rever, \min_size=h_size)mask[pre_mask_rever<=0] = np.max(mask)return maskgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Remove noise using a Gaussian filter
gray = cv2.GaussianBlur(gray, (35,35), 0)
# Otsu thresholding and mask generation
ret, thresh_otsu = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)# 删除小的组织区域thresh_otsu = remove_small_hole(thresh_otsu, min_size*4)thresh_otsu = 255-thresh_otsu# 删除小的空白区域thresh_otsu = remove_small_hole(thresh_otsu, min_size)

可以得到类似下列的效果：

但这种方式只能按照灰度值来提取组织区域，无法去除一些污染。比如说下面的：

类似的污染是由于临床医生为了方便查看，用马克笔画上去的。还有很多制片，扫描时导致的污染，在WSI处理的时候都非常普遍，用灰度的阈值很难去除。
那就有第二种方法。这个是来源于 Anant Madabhushi团队开发的工具，叫HistoQC。论文题目如下：
HistoQC: An Open-Source Quality Control Tool for Digital Pathology Slides
github上有开源的代码：
代码
其主要原理是利用图像的一些传统特征，比如说灰度直方图，熵值啥的对像素进行分类，从而判别是组织区域还是污染或者空白，论文中的效果如下：

这个工具在一些质量较好的片子上效果还是很不错的，而且速度还是比较快的。但我在别的肿瘤上用的时候效果就很让我失望，会删掉不少组织区域。

可以看到不少组织区域都被剔除了。
然后最近我用了第三种方法。
我自己挑了不少组织区域，空白和一些污染区域的图像，一共3万个patch左右，训练了一个分类模型。只分两类，一类是背景（包括空白和污染），另一类是组织。用的是resner34网络，训了10个epoches，大概10分钟吧（用的3090，所以比较快），就能得到一个很不错的分割结果。

现在的分割结果是锯齿形边缘，看着不太舒服，我们再结合文章一开始说到的阈值分割，就能得到一个更加好看的分割结果：

制片时的污渍都被很好的剔除了。

我自己的代码链接：Github。