tokenpocket钱包安卓版下载|wsi

首页
wsi

tokenpocket钱包安卓版下载|wsi

作者： tokenpocket钱包安卓版下载

2024-03-07 22:03:15

深度学习——WSI方向的数据收集 - 知乎

深度学习——WSI方向的数据收集 - 知乎首发于深度学习医学影像切换模式写文章登录/注册深度学习——WSI方向的数据收集一亿个为什么深度学习的医学图像处理是机器学习比较冷门的一个方向，但其在人类医学上具有及其重要的意义，可以造福人类，减轻人们在看病方面的开销，感兴趣的同学可以了解一下医学图像处理，在这里简单介绍一下自己对与WSI数据集收集方面的一些理解。对于WSI，可能有人比较陌生，全称是whole slide image，他的像素很大，一般是万×万，一张图片往往是以GB为单位，所以在做这方面实验的时候尽量将图片存放到服务器上（pc机上也行，但是占用空间非常非常大），下面给大家看一张WSI图片样例。图1一般WSI保存的格式是svs，打开wsi图片也需要特定的软件，ASAP是一个查看wsi图片非常方便的软件，我下的是1.9版本，大家可以在文章末的GitHub链接中找到安装包。那我们从哪里找WSI这么特殊的图片来做数据集呢？这就要到GDC（global data center）官网上找，这是一个医学病理数据库，里面存放了各种疾病的相应图片，想要具体了解GDC的可以百度。图2如上图就是gdc官网，点击红框标记的repository可以进去根据自己的需要选择数据集。如何选择数据集可以在知乎上搜一下，因为我到现在还不敢保证我筛选数据的方法是正确的，但是如果要找WSI图片一定要在data format那里勾上svs，然后选择自己想要的数据，也就是点一下在每一条数据最前面的购物车图标，注意每一条数据只是一张图片，然后你再点击最上面的Cart（注意到我把数据中01A、11A这部分圈出来了，这部分所代表的意思是，01-10所代表的是癌症样本，>10代表的是癌旁样本）图3如图4的购物车中添加了三张图片数据，然后再点击download选择manifest，这时你下载下来的文件会只有manifest这一个文件，这是一个txt格式的文件，里面有这三张图片的信息。（注意这里有一个坑，在一般的教程上都不会说，如果你选择完数据之后直接在图3中点击下载manifest，那么你下载的数据是图3下面列表中的所有数据，而不是你所选择的数据，这就是你下载的manifest文件中有成百上千个图片信息的原因，所以一定要在cart中下载manifest）图4这时我们还需要一个官方下载客户端软件gdc-client。这个软件用来根据manifest文件下载图片。manifest就相当于是一个链接。根据自己的电脑下载下压缩包之后将他放到一个英文名称文件夹下，将下载的manifest.txt文件复制到这个英文文件名的文件夹内（gdc-client与manifest文件不在一个文件夹下也可以，但是一定要保证不能有中文），打开cmd命令行，直接将你下载的gdc-client拖到cmd命令行中，再输入“ -h”，显示如下，这就表明你已经下载成功了，不过这一步也可以跳过，因为这是一个很简单的软件，安装失败的可能性非常小。图5现在就可以下载数据了，如图6，先进入gdc-client所在的盘，然后将gdc-client直接拖入命令行，再输入“ download -m ”，一定要注意不要漏掉空格，然后再将你下载的manifest文件拖进去，再输入“ -d ”，再将你打算将图片保存到的文件夹拖进去，以下图为例，如果你不写“-d E:\test”的话他保存图像的路径会给你自动默认到manifest所在的文件夹，-d后面的文件夹路径既可以用绝对路径，也可以用相对路径，将文件直接拖进命令行会自动生成绝对路径。这里我初次学习看了很多的教程一直报错，最后琢磨出这么一种方法，用上面的这种方法一定不会出错。另外这个下载很慢，建议下载这个的时候”启动双线程“。图6下载下来的图片数据长下图这个亚子。图7点开任何一个文件夹里面是这个亚子。下面的svs才是我们真正需要的图像文件。图8下载数据之后就要进行数据整理，这里我只会手动整理，这里建议大家学一下R语言，如果使用R语言整理的话下载数据的时候就不只是要下载一个manifest文件了，还要下载一个metadata文件，因为这个在整理时要用到。还有一些其他医学数据获取途径。我也是一个深度学习WSI方向的初学者，若有错误还请指出。编辑于 2020-12-25 13:39深度学习（Deep Learning）医学影像数据集赞同 4421 条评论分享喜欢收藏申请转载文章被以下专栏收录深度学习医学影像科技

全视野数字切片（whole slide images, WSIs）的预处理-CSDN博客

全视野数字切片（whole slide images, WSIs）的预处理

最新推荐文章于 2024-01-15 10:11:27 发布

置顶

像风一样Pro

最新推荐文章于 2024-01-15 10:11:27 发布

阅读量3.9w

184

点赞数

本文链接：https://blog.csdn.net/weixin_41787032/article/details/79782472

版权

update: 2019-4-10 系统化梳理以及增加详细内容

希望有深度学习、机器学习以及医学图像处理相关领域的老师、同学进行指导！

个人博客：WangW Blog

首发于CSDN

本文主要梳理了关于病理切片的处理，让刚进入病理图像处理领域的朋友能够将注意力放在深度学习、机器学习等算法上。本文主要包含KFB格式2TIFF（或SVS）、病理图像的标记、病理图像掩码（Mask）的生成以及病理切片补丁图像（Patches）的生成，最后介绍一个有关病理图像分类的repo。

1. KFB格式转成TIFF（或者SVS）格式

KFB格式的全视野数字病理切片（Whole slide images, WSIs）是国内一种病理切片扫描仪扫描出来的私有格式，该扫描仪是宁波江丰生物信息技术有限公司的一款产品。如果您是病理医生，仅仅需要读取以及简单的标记KFB文件，只需要下载K-Viewer进行读取就好了。那如果需要对WSIs进行一系列操作，比如图像识别、分类、检测等等，那么就需要将该公司的私有KFB格式转成通用的TIFF或者SVS进行操作了。使用公司的软件进行格式转换，具体操作都在文档中，请下载使用。

1. 如果你有C币，请使用该链接下载；

2. 如果没有C币，请使用该链接免费下载，请给个star哦，笔芯；

2. 全视野数字切片（WSIs）的标记

众所周知的是，WSI像素十分夸张，一般的图片浏览软件也打不开，那么标记就成了我们需要头疼的事了。但是铁头娃永远不会头疼…请看官接着往下看

2.1. 标记文件（XML）的获取

假如你想对自己的数据进行标记（废话，不是自己的数据，就不需要转格式），尝试使用ASAP吧。使用ASAP打开需要标注的WSI，选择你需要用的标注类型（包含点、矩形、多边形等），对数据进行标注，如下图：1表示标记类型，我这里选择了多边形；2表示标注的区域；3表示标注名字；4表示标注的种类（下面会用到）

注意：请将同一类型的标注，通过图上4按钮新建group，并将标注们放到一个Group下。方便后续的程序处理；实例：我需要对WSI进行癌区域标注，如上图得到了4块区域，然后，我新建一个Goup，将同类型tumor 4 块区域都放入一个Goup下，进行保存。这样就完成了wsi的标记。

2.2 WSI标记掩码（mask）的获取

其实，上面的标注文件**.xml已经完成满足平常DLer的需求了，但是有些同学可能想要WSI的掩码图，ASAP也为这些朋友提供了方便的API。如下：

Configure your PYTHONPATH environment variable to contain the /bin directory path. 大体就是建立一个PYTHONPATH名字的环境变量，找到你安装ASAP的路径，将路径>>到/bin 这个路径放在PYTHONPATH环境变量中，这样，python就可以自动搜索到这个包了哦。

使用下面官方的demo进行掩码的生成。

import multiresolutionimageinterface as mir

reader = mir.MultiResolutionImageReader()

mr_image = reader.open('camelyon17/centre_0/patient_010_node_4.tif')

annotation_list = mir.AnnotationList()

xml_repository = mir.XmlRepository(annotation_list)

xml_repository.setSource('camelyon17/centre_0/patient_010_node_4.xml')

xml_repository.load()

annotation_mask = mir.AnnotationToMask()

camelyon17_type_mask = True

# _0 等就是你自己设置的group，ASAP默认group为Annotation Group *

label_map = {'metastases': 1, 'normal': 2} if camelyon17_type_mask else {'_0': 1, '_1': 1, '_2': 0}

conversion_order = ['metastases', 'normal'] if camelyon17_type_mask else ['_0', '_1', '_2']

annotation_mask.convert(annotation_list, output_path, mr_image.getDimensions(), mr_image.getSpacing(), label_map, conversion_order)

注意的是：自己的标注种类请与代码一致。

3. WSI补丁的生成

以上的步骤已经完全将WSI处理成通用的格式了，但是在处理WSI图片识别问题上，目前，通用的方法是将WSI分成补丁图片（比如256*256像素），然后再利用深度学习、机器学习等方法对其进行处理。

4. 病理癌转移检测

这是我做的第一个项目CAMELYON16，该项目的输入为WSIs以及其标注XML类型文件，输出为wsi热力图。主要分别采用了PyTorch, Keras框架进行训练。欢迎大家fork，如果对您有所用处，欢迎点赞哦，欢迎交流！

5. 后记

主要分析了whole slide images的预处理~~~

优惠劵

像风一样Pro

关注

踩

184

觉得还不错?

一键收藏

知道了

全视野数字切片（whole slide images, WSIs）的预处理

公司私有kfb格式转tif格式由于我拿到的数据是kfb格式的，图片软件打不开，在网上下载了扫描这个kfb格式文件的扫描仪的厂家出的读图软件K-Viewer能够打开，但是想要放进程序里处理可就不行了，毕竟kfb这个格式不好办呀。直接管厂家要kfb转tif的软件进行转格式，但是转格式有一个选项是layer，可供选择2-9层，我没搞懂有什么区别？？我搞懂在贴上来。。（因为是多分辨率的，我想要最高...

复制链接

扫一扫

5G_室内数字化_虚拟现实_网络切片

02-04

室内数字化面向5G演进白皮书（GSA、华为）虚拟现实（VR）体验标准技术白皮书（华为）针对垂直行业的5G网络切片白皮书（华为）

KViewer专业医学病理切片查看软件（K-Viewer），适用于医学生不知道怎么打开KFB格式文件

05-17

KFB格式的全视野数字病理切片（Whole slide images, WSIs）是国内一种病理切片扫描仪扫描出来的私有格式。

这个版本是简易版，对于电脑的要求很低，打开速度快。

很多医学生刚开始学习病理科需要查看病理切片的时候，就需要用这个软件，

81 条评论

您还未登录，请先

后发表或查看评论

KFB转TIF或SVS说明文档1

08-08

案例本案例命令为：KFbioConverter.exe k:\test g:\tt\ss.svs 3说明：一、 KFBTOTIFFTool.exe：为应用程序二

Python实现批量kfb格式文件转成svs文件格式

qq_56550595的博客

01-15

397

用Python批量实现kfb文件格式转svs文件格式

KViewer:用Java编写的简单图像查看器

03-13

KViewer

用Java编写的简单图像查看器

下载： :

作者：Kevin A

YouTube频道：Coderosion

kfb转tif和svs文件资源

11-27

kfb文件是使用江丰生物公司的病理切片扫描仪扫描病理切片后直接保存的文件格式，需要通过K-viewer软件查看，且不可标注。通常来说我们都使用ASAP软件对病理切片进行标注，而ASAP只能标注tif和svs格式的文件。本软件无需安装，可将kfb文件转为tif或svs文件。本软件仅供学习，请勿商用

全尺寸病理图像读取方法

wqwqwqwqm的博客

07-06

3029

全尺寸病例图像读取自学openslide

openslide

全扫描（whole slide image）图像非常的大，处理起来比较麻烦，openslide提供了一个很好的接口，具体参考openslide官网http://openslide.org/api/python/

安装openslide-python，过程参考openslide python的安装及遇到的问题（Win10）

import openslide

opensilde.OpenSlide(filename)——读取图像

slide

医学全量影像（Whole Slide Imaging，WSI）

weixin_43999691的博客

06-07

2366

在医学中，全量影像（Whole Slide Imaging，WSI）是一种数字化的图像技术，用于获取和浏览高分辨率的组织切片图像。它是将组织切片整体数字化，以替代传统的显微镜检查。全量影像主要用于数字化的组织切片，因此在实际应用中，其主要包含患者的组织切片图像。其他类型的影像可能需要通过其他系统或技术进行获取和管理。

kfb转tif后信息丢失的解决方案

Fury的博客

11-27

3753

江丰生物公司提供了一款无需安装的kfb转tif或svs的软件，只需要通过命令行就可以实现文件转换。但是前不久使用该软件时发现将kfb文件转为tif之后用ASAP打开，只能看到左上角的部分，其余部分显示黑色。用天池宫颈癌的数据集测试，出现了相同的现象。

之后试了试用该软件将kfb文件转为svs文件，发现未丢失信息，可以成功打开文件。

实际上，直接用svs文件进行下一步的处理也是可以的。但是如果您坚持要转为tif格式再做下一步处理的话，请前往文中的超链接下载，转换之后，文件可以被ASAP顺利打开

全视野数字切片（whole slide images, WSIs）的预处理，KFB,SVS,NDPI

mjiansun的专栏

07-17

4389

https://blog.csdn.net/weixin_41787032/article/details/79782472

https://github.com/mjiansun/kfb2svs

DICOM: Whole Slide Image

MARK4993885的博客

04-08

3441

DICOM:Whole Slide Image

具体程序

具体示例程序见：

https://github.com/Wa-Ma/WSILIB

简介：

Whole Slide Image:

全视野数字切片(Whole Slide Image, WSI）主要应用于病理学细胞图像领域。

Supplement 145 是 DICOM 关于 WSI 的重要标准，通过结合一种处理平铺大图像的方式为多帧图像和不...

kfb

03-18

肯德基

一个新的Flutter项目。

入门

该项目是Flutter应用程序的起点。

如果这是您的第一个Flutter项目，那么有一些资源可以帮助您入门：

要获得Flutter入门方面的帮助，请查看我们的，其中提供了教程，示例，移动开发指南以及完整的API参考。

svs转tiff文件

09-13

数字切片格式转换svs>tiff格式，后续写出其他格式的文件相互转换

kfb-开源

07-03

kfb 是使用 KDevelop 为 Linux 开发的 GUI Firebird 数据库管理工具。它包括 firebird 提供的大多数功能，并引入了一些据说“不可能”的新操作。访问 http://kfbsite.googlepages.com 了解更多信息。

WSI-analysis:自动全幻灯片图像预处理的Python脚本

05-01

全幻灯片图像分析背景全幻灯片图像（WSI）是数百万像素的高分辨率组织病理学图像。如果直接应用于WSI，传统的分析程序将无法有效工作。大多数成功的解决方案都采用基于补丁的范例。概述当前，此仓库包含用于补丁...

一种数字人脑部切片图像分割新方法

02-23

目的提出一种人脑切片图像自动分割算法,以克服现有的方法对大量人工参与的依赖。方法针对人脑切片图像的特征,提出一种基于区域生长的灰度直方图阈值化分割算法。首先通过区域生长过程对图像进行初始的粗分割,再用...

基于切片技术的点云数据预处理研究 (2009年)

05-26

针对扫描点云杂乱无序的特点,讨论了点云数据预处理的问题,提出了一种新的基于点云切片的数据预处理迭代算法.通过对点云最小包围盒进行均匀分割及分割后点云的密度分析,对密度过大的分割块进行迭代分割,建立了3个方向...

5G_AI智能切片管理_室内覆盖数字化演进_室内网络

02-04

基于AI的智能切片管理与协同白皮书（IMT2020推进组）面向5G的室内覆盖数字化演进白皮书（中国联通、华为）室内5G网络白皮书（HKT、GSA、华为）

全球与中国基因组工程编辑市场深度研究分析报告.docx

最新文章

autoLiterature: 基于Dropbox和Python的自动文献管理器

‘Sequential modeling of deep features for breast cancer histopathological image classification’ note

PyTorch系列 - PyTorch数据读取 (二)

2021年1篇

2019年3篇

2018年32篇

最新文章

autoLiterature: 基于Dropbox和Python的自动文献管理器

‘Sequential modeling of deep features for breast cancer histopathological image classification’ note

PyTorch系列 - PyTorch数据读取 (二)

2021年1篇

2019年3篇

2018年32篇

被折叠的条评论

为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

祝福语

请填写红包祝福语或标题

红包数量

个

红包个数最小为10个

红包总金额

元

红包金额最低5元

余额支付

当前余额3.43元

前往充值 >

需支付：10.00元

取消

确定

下一步

知道了

成就一亿技术人!

领取后你会自动成为博主和红包主的粉丝

规则

hope_wisdom 发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值

病理图像处理随笔(2)--WSI切片 - 知乎

病理图像处理随笔(2)--WSI切片 - 知乎首发于病理图像处理/深度学习的论文笔记切换模式写文章登录/注册病理图像处理随笔(2)--WSI切片马卡斯·扬清华大学电子信息硕士在读histolab简介该项目的目的是提供一种在可再现环境中进行WSI处理的工具，以支持临床和科学研究。histolab旨在处理WSIs，自动检测组织，并检索信息块，因此可以集成到深度学习管道中。组织切片的组织病理学分析是评估许多复杂疾病(如肿瘤)的存在并了解其性质的金标准。在日常实践中，病理学家通常在考虑有限区域的情况下对组织切片进行显微镜检查，临床评估依赖于几个因素，如细胞核形态、细胞分布和颜色(染色):这一过程耗时，可能导致信息丢失，并受到观察者间可变性的影响。数字病理学的出现正在改变病理学家工作和合作的方式，并为计算病理学的新时代开辟了道路。特别是，组织病理学有望成为医学人工智能革命的中心[1]，数字病理学深度学习应用的日益成功支持了这一预见。全载玻片图像(WSIs)，即组织载玻片从玻璃到数字格式的转换，从医学和计算的角度来看都是一个巨大的信息来源。WSIs可以用不同的染色技术进行染色(例如，H&E或IHC)，并且通常尺寸很大(每张载玻片可达数GB)。由于WSIs典型的金字塔结构，图像可以在不同的放大倍数下检索，提供了颜色之外的另一层信息。然而，处理WSIs绝非易事。首先，根据用于将载玻片数字化的扫描仪，WSIs可以以不同的专有格式存储，并且仍然缺少标准协议。WSIs也可能呈现出伪影，例如阴影、模型或无用的注释(钢笔标记)。此外，给定它们的尺寸，不可能一次处理所有的WSI，或者，例如，馈送神经网络:必须裁剪更小的组织区域(瓦片)，这又需要组织检测步骤。安装:pip install histolab直接就能安装上TCGA dataFirst things first, let’s import some data to work with, for example the prostate tissue slide and the ovarian tissue slide available in the data module:from histolab.data import prostate_tissue, ovarian_tissueNote: To use the data module, you need to install pooch, also available on PyPI (https://pypi.org/project/pooch/). This step is needless if we are using the Vagrant/Docker virtual environment.The calling to a data function will automatically download the WSI from the corresponding repository and save the slide in a cached directory:prostate_svs, prostate_path = prostate_tissue()

ovarian_svs, ovarian_path = ovarian_tissue()Notice that each data function outputs the corresponding slide, as an OpenSlide object, and the path where the slide has been saved.Slide initializationhistolab maps a WSI file into a Slide object. Each usage of a WSI requires a 1-o-1 association with a Slide object contained in the slide module:from histolab.slide import SlideTo initialize a Slide it is necessary to specify the WSI path, and the processed_path where the thumbnail and the tiles will be saved. In our example, we want the processed_path of each slide to be a subfolder of the current working directory:import os

BASE_PATH = os.getcwd()

PROCESS_PATH_PROSTATE = os.path.join(BASE_PATH, 'prostate', 'processed')

PROCESS_PATH_OVARIAN = os.path.join(BASE_PATH, 'ovarian', 'processed')

prostate_slide = Slide(prostate_path, processed_path=PROCESS_PATH_PROSTATE)

ovarian_slide = Slide(ovarian_path, processed_path=PROCESS_PATH_OVARIAN)Note: If the slides were stored in the same folder, this can be done directly on the whole dataset by using the SlideSet object of the slide module.With a Slide object we can easily retrieve information about the slide, such as the slide name, the number of available levels, the dimensions at native magnification or at a specified level:print(f"Slide name: {prostate_slide.name}")

print(f"Levels: {prostate_slide.levels}")

print(f"Dimensions at level 0: {prostate_slide.dimensions}")

print(f"Dimensions at level 1: {prostate_slide.level_dimensions(level=1)}")

print(f"Dimensions at level 2: {prostate_slide.level_dimensions(level=2)}")

Slide name: 6b725022-f1d5-4672-8c6c-de8140345210

Levels: [0, 1, 2]

Dimensions at level 0: (16000, 15316)

Dimensions at level 1: (4000, 3829)

Dimensions at level 2: (2000, 1914)

print(f"Slide name: {ovarian_slide.name}")

print(f"Levels: {ovarian_slide.levels}")

print(f"Dimensions at level 0: {ovarian_slide.dimensions}")

print(f"Dimensions at level 1: {ovarian_slide.level_dimensions(level=1)}")

print(f"Dimensions at level 2: {ovarian_slide.level_dimensions(level=2)}")

Slide name: b777ec99-2811-4aa4-9568-13f68e380c86

Levels: [0, 1, 2]

Dimensions at level 0: (30001, 33987)

Dimensions at level 1: (7500, 8496)

Dimensions at level 2: (1875, 2124)Moreover, we can save and show the slide thumbnail in a separate window. In particular, the thumbnail image will be automatically saved in a subdirectory of the processed_path:prostate_slide.save_thumbnail()

prostate_slide.show()ovarian_slide.save_thumbnail()

ovarian_slide.show()Tile extractionOnce that the Slide objects are defined, we can proceed to extract the tiles. To speed up the extraction process, histolab automatically detects the tissue region with the largest connected area and crops the tiles within this field. The tiler module implements different strategies for the tiles extraction and provides an intuitive interface to easily retrieve a tile dataset suitable for our task. In particular, each extraction method is customizable with several common parameters:tile_size: the tile size;level: the extraction level (from 0 to the number of available levels);check_tissue: if a minimum percentage of tissue is required to save the tiles;tissue_percent: number between 0.0 and 100.0 representing the minimum required percentage of tissue over the total area of the image (default is 80.0)prefix: a prefix to be added at the beginning of the tiles’ filename (default is the empty string);suffix: a suffix to be added to the end of the tiles’ filename (default is .png).Random ExtractionThe simplest approach we may adopt is to randomly crop a fixed number of tiles from our slides; in this case, we need the RandomTiler extractor:from histolab.tiler import RandomTilerLet us suppose that we want to randomly extract 30 squared tiles at level 2 of size 128 from our prostate slide, and that we want to save them only if they have at least 80% of tissue inside. We then initialize our RandomTiler extractor as follows:random_tiles_extractor = RandomTiler(

tile_size=(128, 128),

n_tiles=30,

level=2,

seed=42,

check_tissue=True, # default

tissue_percent=80.0, # default

prefix="random/", # save tiles in the "random" subdirectory of slide's processed_path

suffix=".png" # default

)Notice that we also specify the random seed to ensure the reproducibility of the extraction process.We may want to check which tiles have been selected by the tiler, before starting the extraction procedure and saving them; the locate_tiles method of RandomTiler returns a scaled version of the slide with the corresponding tiles outlined. It is also possible to specify the transparency of the background slide, and the color used for the border of the tiles:random_tiles_extractor.locate_tiles(

slide=prostate_slide,

scale_factor=24, # default

alpha=128, # default

outline="red", # default

)Starting the extraction is then as simple as calling the extract method on the extractor, passing the slide as parameter:random_tiles_extractor.extract(prostate_slide)Random tiles extracted from the prostate slide at level 2.Grid ExtractionInstead of picking tiles at random, we may want to retrieve all the tiles available. The Grid Tiler extractor crops the tiles following a grid structure on the largest tissue region detected in the WSI:from histolab.tiler import GridTilerIn our example, we want to extract squared tiles at level 0 of size 512 from our ovarian slide, independently of the amount of tissue detected. By default, tiles will not overlap, namely the parameter defining the number of overlapping pixels between two adjacent tiles, pixel_overlap, is set to zero:grid_tiles_extractor = GridTiler(

tile_size=(512, 512),

level=0,

check_tissue=True, # default

pixel_overlap=0, # default

prefix="grid/", # save tiles in the "grid" subdirectory of slide's processed_path

suffix=".png" # default

)Again, we can exploit the locate_tiles method to visualize the selected tiles on a scaled version of the slide:grid_tiles_extractor.locate_tiles(

slide=ovarian_slide,

scale_factor=64,

alpha=64,

outline="#046C4C",

)and the extraction process starts when the extract method is called on our extractor:grid_tiles_extractor.extract(ovarian_slide)Examples of non-overlapping grid tiles extracted from the ovarian slide at level 0.Score-based extractionDepending on the task we will use our tile dataset for, the extracted tiles may not be equally informative. The ScoreTiler allows us to save only the “best” tiles, among all the ones extracted with a grid structure, based on a specific scoring function. For example, let us suppose that our goal is the detection of mitotic activity on our ovarian slide. In this case, tiles with a higher presence of nuclei are preferable over tiles with few or no nuclei. We can leverage the NucleiScorer function of the scorer module to order the extracted tiles based on the proportion of the tissue and of the hematoxylin staining. In particular, the score is computed as Nt⋅tanh(Tt)N_t\cdot\mathrm{tanh}(T_t)Nt⋅tanh(Tt), where NtN_tNt is the percentage of nuclei and TtT_tTt the percentage of tissue in the tile ttt.First, we need the extractor and the scorer:from histolab.tiler import ScoreTiler

from histolab.scorer import NucleiScorerAs the ScoreTiler extends the GridTiler extractor, we also set the pixel_overlap as additional parameter. Moreover, we can specify the number of the top tiles we want to save with the n_tile parameter:scored_tiles_extractor = ScoreTiler(

scorer = NucleiScorer(),

tile_size=(512, 512),

n_tiles=100,

level=0,

check_tissue=True,

tissue_percent=80.0,

pixel_overlap=0, # default

prefix="scored/", # save tiles in the "scored" subdirectory of slide's processed_path

suffix=".png" # default

)Notice that also the ScoreTiler implements the locate_tiles method, which visualizes (on a scaled version of the slide) the first n_tiles with the highest scores:grid_tiles_extractor.locate_tiles(slide=ovarian_slide)Finally, when we extract our cropped images, we can also write a report of the saved tiles and their scores in a CSV file:summary_filename = "summary_ovarian_tiles.csv"

SUMMARY_PATH = os.path.join(ovarian_slide.processed_path, summary_filename)

scored_tiles_extractor.extract(ovarian_slide, report_path=SUMMARY_PATH)Representation of the score assigned to each extracted tile by the NucleiScorer, based on the amount of nuclei detected.发布于 2021-01-24 23:35病理学医学影像数据处理赞同 496 条评论分享喜欢收藏申请转载文章被以下专栏收录病理图像处理/深度学习的论

医学全量影像（Whole Slide Imaging，WSI）_whole slide image-CSDN博客

医学全量影像（Whole Slide Imaging，WSI）

最新推荐文章于 2024-03-06 13:27:54 发布

呆呆珝

最新推荐文章于 2024-03-06 13:27:54 发布

阅读量2.3k

点赞数

分类专栏：

医学扫盲

文章标签：

人工智能

计算机视觉

图像处理

本文链接：https://blog.csdn.net/weixin_43999691/article/details/131083161

版权

医学扫盲

专栏收录该内容

7 篇文章

0 订阅

订阅专栏

1. 前言

在医学中，全量影像（Whole Slide Imaging，WSI）是一种数字化的图像技术，用于获取和浏览高分辨率的组织切片图像。它是将组织切片整体数字化，以替代传统的显微镜检查。全量影像（Whole Slide Imaging，WSI）可以包含患者的相关影像，其中包括但不限于以下内容：

组织切片图像：全量影像是将组织切片整体数字化的技术，因此可以包含患者的组织切片图像。这些切片可以来自各种组织和器官，如肺部、肝脏、肾脏、淋巴结等，用于病理学的诊断和分析。血液学图像：全量影像也可以包含血液学图像，例如血涂片、骨髓涂片等。这些图像用于血液学疾病的诊断和监测，如白血病、贫血等。影像学图像：尽管全量影像主要用于组织切片的数字化，但在某些情况下，它也可以包含其他类型的医学影像，如X射线、CT扫描、MRI扫描等。这些影像可以提供额外的信息，用于对患者进行综合诊断。

全量影像主要用于数字化的组织切片，因此在实际应用中，其主要包含患者的组织切片图像。其他类型的影像可能需要通过其他系统或技术进行获取和管理。

2. 应用场景

(1) 病理学：全量影像可以用于病理学家对组织切片进行远程诊断和远程咨询，提高病理诊断的准确性和效率。

(2) 教育和培训：全量影像可以用于医学教育和研究，学生和医生可以通过数字化的方式学习和分析组织切片。

(3) 研究和科学：全量影像可以被用于医学研究和科学研究，方便对大量组织样本进行分析和比较。

3. 优点

(1) 高分辨率：全量影像提供高分辨率的组织切片图像，可以展示细微的细胞结构和病理变化。

(2) 远程访问：全量影像可以通过网络远程访问，医生可以在任何地点查看和诊断组织切片，方便远程会诊和远程咨询。

(3) 数字化存储：全量影像可以数字化存储，避免了传统玻片的保存和管理问题，节省了空间和成本。

(4) 多视野分析：全量影像可以在不同的放大倍数下进行观察和分析，提供多角度的视野。

4. 缺点

(1) 数据量大：全量影像的文件大小很大，处理和存储需要大量的计算资源和存储空间。

(2) 处理时间长：全量影像的获取和处理时间较长，可能需要更长的时间来生成和查看数字化的组织切片。

(3) 易受伪影干扰：全量影像在获取过程中可能受到伪影、伪色彩等干扰，需要特殊的图像处理和校正技术。

总体而言，全量影像技术在医学领域具有重要的应用价值，可以提高病理诊断的准确性和效率，促进医学教育和研究的发展。然而，它也面临着一些挑战和限制，需要继续改进和优化技术，以更好地满足临床和科研的需求。

关注博主即可阅读全文

优惠劵

呆呆珝

关注

踩

觉得还不错?

一键收藏

打赏

知道了

医学全量影像（Whole Slide Imaging，WSI）

复制链接

扫一扫

专栏目录

使用openslide-python对whole slide image（WSI）进行读取、显示和金字塔构建、生成tiles

openslide的基本操作

11-14

1万+

H&amp;amp;E染色的病理切片怎么读取

特点是：太大，每张600Mb~10Gb，一般软件打不开。

基于python开发，暂时想到3种打开方式：

#coding:utf-8

import openslide

import matplotlib.pyplot as plt

#image file

img_path = 'path/to/img/1.tif'

#method 1

slide1 = op...

Medical_imaging:医学影像项目的存储库

04-11

医学影像

医学影像项目的存储库

参与评论

您还未登录，请先

后发表或查看评论

OpenSlide Python 处理全扫描图像

蜗牛、Gray

03-20

1150

OpenSlide Python 处理全扫描图像

目录OpenSlide Python 处理全扫描图像全扫描（whole slide image）图像基本方法读取图像常用操作转换为 numpy 数组并用 opencv 处理

全扫描（whole slide image）图像

全扫描（whole slide image）图像非常的大，处理起来比较麻烦，openslide 提供了一个很好的接口，用来处理这些非常大的图像。

安装

sudo apt-get install openslide-tools

sudo a

（病理图像读写）病理图像（whole slide images，WSI）的读写（.svs, .tiff）,使用openslide,和pyvips以及matlab

qq_34616741的博客

08-02

7741

病理图像的读写

DICOM: Whole Slide Image

MARK4993885的博客

04-08

3441

DICOM:Whole Slide Image

具体程序

具体示例程序见：

https://github.com/Wa-Ma/WSILIB

简介：

Whole Slide Image:

全视野数字切片(Whole Slide Image, WSI）主要应用于病理学细胞图像领域。

Supplement 145 是 DICOM 关于 WSI 的重要标准，通过结合一种处理平铺大图像的方式为多帧图像和不...

全视野数字切片（whole slide images, WSIs）的预处理

最新文章

香橙派企业信用问题-劝一个是一个，别买！！！

四、RK3588-Mobilenet直接推理(C++版本)

三、C++版本OpenCV的API使用

2024年1篇

2023年37篇

2022年3篇

2021年20篇

分类专栏

计算机视觉-C++版本

4篇

推理框架

11篇

计算机视觉(分类/检测/分割)

12篇

数据处理

5篇

医学扫盲

7篇

闲时写写画画

4篇

计算机视觉-分类网络的构建

7篇

TransFormer应用

4篇

模型量化

4篇

深度学习环境搭建

2篇

基础

被折叠的条评论

为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

祝福语

请填写红包祝福语或标题

红包数量

个

红包个数最小为10个

红包总金额

元

红包金额最低5元

余额支付

当前余额3.43元

前往充值 >

需支付：10.00元

取消

确定

下一步

知道了

成就一亿技术人!

领取后你会自动成为博主和红包主的粉丝

规则

hope_wisdom 发出的红包

打赏作者

呆呆珝

您的打赏是我的动力

¥1

¥2

¥4

¥6

¥10

¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值

GitHub - BohriumKwong/Deep_learning_in_WSI: 将深度学习用于病理图像分析以及Openslide和OpenCV使用入門資料

Toggle navigation

Product

Actions

Automate any workflow

Packages

Host and manage packages

Security

Find and fix vulnerabilities

Codespaces

Instant dev environments

Copilot

Write better code with AI

Code review

Manage code changes

Issues

Plan and track work

Discussions

Collaborate outside of code

Explore

All features

Documentation

GitHub Skills

Blog

Solutions

For

Enterprise

Teams

Startups

Education

By Solution

CI/CD & Automation

DevOps

DevSecOps

Resources

Learning Pathways

White papers, Ebooks, Webinars

Customer Stories

Partners

Open Source

GitHub Sponsors

Fund open source developers

The ReadME Project

GitHub community articles

Repositories

Topics

Trending

Collections

Pricing

Search or jump to...

Search code, repositories, users, issues, pull requests...

Clear

Search syntax tips

Provide feedback

We read every piece of feedback, and take your input very seriously.

Include my email address so I can be contacted

Cancel

Submit feedback

Saved searches

Use saved searches to filter your results more quickly

Name

Query

To see all available qualifiers, see our documentation.

Cancel

Create saved search

You signed in with another tab or window. Reload to refresh your session.

You signed out in another tab or window. Reload to refresh your session.

You switched accounts on another tab or window. Reload to refresh your session.

Dismiss alert

BohriumKwong

Deep_learning_in_WSI

Public

Notifications

Fork

Star

将深度学习用于病理图像分析以及Openslide和OpenCV使用入門資料

stars

forks

Branches

（WSI分类）WSI分类文献小综述_scaling vision transformers to gigapixel images vi-CSDN博客

（WSI分类）WSI分类文献小综述

水博的两年半

已于 2024-02-21 11:39:22 修改

阅读量4k

点赞数

分类专栏：

医疗图像处理

病理图像处理

文章标签：

分类

深度学习

WSI分类

Transformer

于 2022-08-25 11:22:49 首次发布

本文链接：https://blog.csdn.net/qq_34616741/article/details/126519583

版权

医疗图像处理

同时被 2 个专栏收录

7 篇文章

14 订阅

订阅专栏

病理图像处理

2 篇文章

1 订阅

订阅专栏

今天介绍一些WSI分类的文献。涉及三种比较主要的技术：传统的特征分类，CNN和Transformer。

第二次更新

Histopathology Whole Slide Image Analysis With Heterogeneous Graph Representation Learning（CVPR2023）我们设计了一种新的基于伪标签的语义一致池化机制来获取图级特征，从而缓解了传统的基于聚类池化的过度参数化问题。此外，观察到现有的基于关联的定位方法的局限性，我们提出了一种因果驱动的方法来归因于每个节点的贡献，以提高框架的可解释性。

Task-specific Fine-tuning via Variational Information Bottleneck for Weakly-supervised Pathology Whole Slide Image Classification （cvpr2023）我们提出了一种基于信息瓶颈理论的高效WSI微调框架。该理论使框架能够找到WSI的最小充分统计量，从而支持我们仅依赖于WSI级弱标签将骨干调整为特定于任务的表示。进一步分析WSI-MIL问题，从理论上推导出我们的微调方法。

Topology-Guided Multi-Class Cell Context Generation for Digital Pathology（cvpr2023, 不是分类，但也挺好玩）在数字病理学中，细胞的空间背景对细胞分类、癌症诊断和预后很重要。然而，对如此复杂的细胞环境进行建模是具有挑战性的。细胞形成不同的混合物、谱系、簇和孔。为了以可学习的方式对这种结构模式建模，我们从空间统计和拓扑数据分析中引入了几个数学工具。我们将这种结构描述符作为条件输入和可微损失合并到深度生成模型中。通过这种方式，我们第一次能够生成高质量的多类单元布局。我们表明，拓扑丰富的单元布局可用于数据增强，并提高下游任务(如单元分类)的性能。

Interventional Bag Multi-Instance Learning On Whole-Slide Pathological Images （cvpr2023）在本文中，我们提出了一种新的方案，介入袋多实例学习(IBMIL)，以实现去发现袋级预测。与传统的基于似然的策略不同，本文提出的方案是基于后门调整来实现介入训练，从而能够抑制由袋上下文先验引起的偏差。请注意，IBMIL的原理与现有的袋MIL方法是正交的。因此，ibm能够为现有方案带来一致的性能提升，实现新的最先进的性能。

第一次更新：

A semi-supervised multi-task learning framework for cancer classification with weak annotation in whole-slide images 在WSI中将非癌变区域视为癌变区域，这在训练过程中混淆了分型模型。针对后者的局限性，之前的研究提出先进行CRD，排除非癌变区域，然后基于剩余癌变斑块训练亚型模型。然而，单独训练忽略了这两个任务的交互作用，也会导致将CRD任务的错误传播给子类型任务。为了解决这些问题并同时提高CRD和亚型任务的性能，我们提出了一种用于癌症分类的半监督多任务学习(MTL)框架。我们的框架由一个主干特征提取器、两个特定于任务的分类器和一个权重控制机制组成。骨干特征提取器由两个特定于任务的分类器共享，这样就可以捕获CRD和子类型任务之间的交互。权重控制机制保留了这两个任务之间的顺序关系，保证了MTL框架下从子类型任务到CRD任务的错误反向传播。

RankMix: Data Augmentation for Weakly Supervised Learning of Classifying Whole Slide Images with Diverse Sizes and Imbalanced Categories （CVPR2023）我们提出了RankMix，这是一种在一对wsi中混合排名特征的数据增强方法。RankMix引入了伪标记和排序的概念，以便提取关键的WSI区域，为WSI分类任务做出贡献。进一步提出了一种两阶段的训练方法，以提高训练的稳定性和模型性能。

SlideGraph + : Whole slide image level graphs to predict HER2 status in breast cancer (MIA 2022) 我们提出了一种新的基于图神经网络(GNN)的模型(Slide- graph +)，直接从常规血红素和伊红(H&E)染色的载玻片的整片图像预测HER2状态。

Handcrafted Histological Transformer (H2T): Unsupervised representation of whole slide images (MIA 2023) 我们提出了一个基于深度CNN的手工框架，用于构建整体的wsi级表示。基于最近在自然语言处理领域关于Transformer内部工作的发现，我们将其过程分解并将其手工制作成一个更透明的框架，我们称之为手工制作组织学Transformer或H2T。

A Graph-Transformer for Whole Slide Image Classification (TMI 2022) 在执行监督深度学习时，将WSI划分为小块，训练并汇总结果以估计疾病等级。然而，基于patch的方法在训练过程中引入了标签噪声，因为它假设每个patch都是独立的，与WSI具有相同的标签，并且忽略了在疾病分级中重要的整体WSI级别信息。1、我们提出了一种图转换器(GT)，它融合了基于图的WSI表示和用于处理病理图像的视觉转换器，称为GTP，以预测疾病等级。2、我们还介绍了一种基于图的显著性映射技术，称为GraphCAM，它可以识别与类标签高度相关的区域。

Derivation of prognostic contextual histopathological features from whole-slide images of tumours via graph deep learning (NBE 2022) Transformer-based unsupervised contrastive learning for histopathological image classification (MIA 2022)

我们提出了一种新的自监督学习策略，称为语义相关对比学习(SRCL)，它比较实例之间的相关性以挖掘更多的正对。与传统对比学习中来自一个实例的两个视图相比，我们的SRCL将多个积极实例与相似的视觉概念对齐，这增加了积极实例的多样性，然后产生更多信息的表征。我们采用混合模型(CTransPath)作为主干，该模型是通过集成卷积神经网络(CNN)和多尺度Swin Transformer架构而设计的。CTransPath在大量未标记的组织病理图像上进行预训练，可以作为协作的局部-全局特征提取器来学习更适合组织病理图像领域任务的通用特征表示。

传统特征WSI分类

Classification of Tumor Histology via Morphometric Context 这个比较简单，主要利用细胞核的形态对WSI进行分类。用的是TCGA数据集。

Predicting non-small cell lung cancer prognosis by fully automated microscopic pathology image features 这个是NC的文章，很像影像组学，就是提取一堆特征，然后建模预后。评估非小细胞肺癌。

基于CNN的分类方法

Patch-based Convolutional Neural Network for Whole Slide Tissue Image Classification 这是CVPR的文章。首先是对每个patch进行训练，然后将训练的预测结果构建一个灰度直方图，然后再用直方图训练一个分类模型。

Deep learning-based classification of mesothelioma improves prediction of patient outcom 这个是nature medicine的文章。使用的也是对patch提取特征，然后构建特征矩阵，接着用CNN预测的路线。这种方法做的人还是比较少了。

Clinical-grade computational pathology using weakly supervised deep learning on whole slide images 这个也是nature medicine的文章，算是比较令人熟知的WSI分类文章之一。原理也很简单，就是用CNN选择出概率值比较高的patch，然后使用RNN分类。效果很不错，从文中的报道看。

Whole slide images based cancer survival prediction using attention guided deep multiple instance learning networks MIA的文章，算是WSI分类做的比较早的MIA了。他的想法比较有意思。整体上是多实例学习MIL。但他将多实例细化了。首先用无监督对patch进行聚类，然后将每一个类当成是一个包。也比较make sense.因为病理图像中可能多种不同的组织，聚类可以让组织的patch大致的聚集到一块。

DTFD-MIL: Double-Tier Feature Distillation Multiple Instance Learning for Histopathology Whole Slide Image Classification 这是CVPR2022的文章。和上面的文章类似，也是分成多个包处理。但他的伪包是随机分配的。出发点就是WSI中的patch太多，一个包学不到足够的知识。所以分级处理多个包。

Dual-stream multiple instance learning network for whole slide image classification with self-supervised contrastive learning 这是CVPR2021的文章看结构图就很一目了然，就是利用了多个分辨率的图像。获取了更多不同大小的视野。

基于Transformer的WSI分类模型

End-to-End diagnosis of breast biopsy images with transformers MIA 2022的文章从结构图中也能看出，其实就是Transformer的魔改。

TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classification NIPS2021的文章。算是比较有意思的WSI分类模型。作者将每个patch作为一个词向量，输入Transformer，并且中间结合了卷积。效果很不错。 Data-efficient and weakly supervised computational pathology on whole-slide images 这个可能是现在follow最多的文章之一。CLAM。就是patch级别特征的多实例学习。

Scaling Vision Transformers to Gigapixel Images via Hierarchical Self-Supervised Learning 这是CVPR2022的文章。值得一提的是这也是CLAM这个文章同一个单位出的。他们对病理图像有着很不错的研究，大杂志发了很多。当时一看这个图，我就知道这个文章是怎么做的。简直make sense到不行。就是把小倍率的patch送入transformer，然后将他的class token一级一级的往上聚合。非常符合WSI的存储方式，也符合医生的阅片习惯。

今天就介绍这么多吧。

优惠劵

水博的两年半

关注

踩

觉得还不错?

一键收藏

知道了

（WSI分类）WSI分类文献小综述

WSI分类研究介绍。

复制链接

扫一扫

专栏目录

Clinical grade computional pathology using weakly supervised deep learning on whole slide images

lj695242104的专栏

11-24

2235

Abstract

dicomweb-wsi-viewer:基于 Google Cloud Healthcare DICOM API 的概念证明整个幻灯片成像查看器

05-29

DICOMweb WSI 查看器

该存储库包含由 DICOMweb 服务器提供支持的概念验证整个幻灯片成像查看器。此特定工具使用 DICOMweb 实现。

注意：此查看器仅适用于整个幻灯片（即病理）图像。对于使用 Healthcare API 的放射科查看器，请查看 Weasis ( )、OHIF ( )、eUnity ( ) 或 IMS ( )

先决条件

您需要访问并创建了一个 DICOM 存储，其中包含一些 DICOM WSI。

访问 Cloud Healthcare API 后，您可以按照创建 DICOM 存储并上传一些示例 DICOM 图像。

要创建 DICOM WSI，您首先需要获取一些病理图像（），其中包含一些您可以使用的测试数据）并将它们转换为 DICOM。要转换为 DICOM，您可以使用的 DICOMizer CLI 之类的工具。

入门

一旦你创建了

13 条评论

您还未登录，请先

后发表或查看评论

CLAM——论文笔记

weixin_41693877的博客

05-30

5318

最近看了一篇有关多示例学习的paper，题目为Data Efficient and Weakly Supervised Computational Pathologyon Whole Slide Images，对里面提出的模型比较感兴趣，特此做一下笔记。

github地址：https://github.com/mahmoodlab/CLAM

paper地址：https://arxiv.org/abs/2004.09666

笔记

这篇paper提出了一个Clustering-constrained Atten

WSI-analysis:自动全幻灯片图像预处理的Python脚本

05-01

全幻灯片图像分析

背景

概述

当前，此仓库包含用于补丁提取的代码（从WSI），并将不断更新。：）（准备就绪时，将添加基于深度学习的分类和细分代码）。

补丁提取

从WSI提取补丁时，有几个棘手的部分：

坐标缩放级别/参考框架。在read_region（）方法处理在水平0参考帧峰会。因此，当我们使用read_region（）方法从WSI裁剪补丁时，需要进行必要的转换。

枕头图像对象和NumP

论文阅读：Whole slide images classification model based on self-learning sampling

最新文章

Python实现病理图像mrxs格式转SVS

OSError: cannot load library ‘libvips.so.42‘:

No package ‘sqlite3‘ found

2024年1篇

2023年3篇

2022年5篇

2021年3篇

2020年3篇

2019年8篇

分类专栏

医疗图像处理

7篇

病理图像处理

2篇

BUG

1篇

einops

1篇

神经网络技巧

2篇

可视化

1篇

IOU

1篇

算法解析

3篇

AJI

1篇

unet

1篇

细胞核分割

1篇

论文阅读

1篇

R语言

1篇

训练总结

5篇

模型方法

1篇

语言使用总结

4篇

被折叠的条评论

为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

祝福语

请填写红包祝福语或标题

红包数量

个

红包个数最小为10个

红包总金额

元

红包金额最低5元

余额支付

当前余额3.43元

前往充值 >

需支付：10.00元

取消

确定

下一步

知道了

成就一亿技术人!

领取后你会自动成为博主和红包主的粉丝

规则

hope_wisdom 发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值

【数字病理技术系列一】什么是WSI 全景数字化切片 - 知乎

【数字病理技术系列一】什么是WSI 全景数字化切片 - 知乎切换模式写文章登录/注册【数字病理技术系列一】什么是WSI 全景数字化切片远程医疗2狗远程病理平台技术数字病理切片（digital slide of pathology）又称虚拟病理切片(vitual slide of pathology)，是一种现代数字系统与传统光学放大装置有机结合的技术。它是将传统的玻璃病理切片通过全自动显微镜或光学放大系统扫描采集得到高分辨数字图像，再应用计算机对得到的图像自动进行高精度多视野无缝隙拼接和处理，获得优质的可视化数据以应用于病理学的各个领域。数字病理切片（digital slide of pathology）又称虚拟病理切片(vitual slide of pathology)，是一种现代数字系统与传统光学放大装置有机结合的技术。它是将传统的玻璃病理切片通过全自动显微镜或光学放大系统扫描采集得到高分辨数字图像，再应用计算机对得到的图像自动进行高精度多视野无缝隙拼接和处理，获得优质的可视化数据以应用于病理学的各个领域。编辑于 2022-03-29 17:22数字化医学影像病理学赞同 11 条评论分享喜欢收藏申请

WS-I基本概要_百度百科

基本概要_百度百科网页新闻贴吧知道网盘图片视频地图文库资讯采购百科百度首页登录注册进入词条全站搜索帮助首页秒懂百科特色百科知识专题加入百科百科团队权威合作下载百科APP个人中心收藏查看我的收藏0有用+10WS-I基本概要播报讨论上传视频Web服务互操作性行业联盟(WS-I)的规范本词条由“科普中国”科学百科词条编写与应用工作项目审核。WS-I基本概要（英语：WS-I Basic Profile，官方缩写为WSI BP）是Web服务互操作性行业联盟（WS-I）的一个规范，为核心Web服务规范,如 SOAP，WSDL及UDDI提供互操作性上的指引。中文名WS-I基本概要外文名WS-I Basic Profile缩写WSI BP领域计算机目录1简介2版本3遵从规范的框架4WSDL简介播报编辑WS-I基本概要是概要使用Web服务描述语言（WSDL）将服务描述为操作消息的端点的集合。要理解WSI-BP的重要性，需要注意它定义了一个比全部WSDL模式具有更多限制的合法服务的集合。许多常见的平台（如下）支持WSI-BP，但不支持WSI-BP以外的Web服务。 [1]版本播报编辑基本概要的1.0版本在2004年初发布。在2006年发布的1.1版本的范围与1.0版本不同。1.0版本中处理信封序列化以及在消息中的表示被移出作为一个新的概要，称作简单SOAP绑定概要（Simple Soap Binding Profile，缩写SSBP）。1.2版本还没有定案，WS-I网站上可以得到草稿。主要的新特性是将支持MTOM二进制附件以及WS-Addressing。这个版本的工作草案可以从[2]获得。2.0版本正在撰写中。2.0版本将使用SOAP1.2版本，UDDI3版本以及WS-Addressing[3] [1]遵从规范的框架播报编辑声称遵从WS-I基本概要的框架包括：Oracle Weblogic Server10.3版遵从基本概要，同时遵从WS-I基本安全概要。[4]ASP.NET2.0 - Web服务遵从基本概要[5]GlassFish Metro, 包括JAX-WS参考实现(JAX-WS RI)以及Tango (WSIT)项目。IBM WebSphere Application Server5.0.2版到5.1版遵从基本概要 1.0，6.0以上版本遵从基本概要 1.1[6]Apache Axis1.2以上版本遵从基本概要1.0Apache Axis2CeltixWebMethods_GlueJBoss应用服务器Codehaus XFireApache CXF，Codehaus XFire与Celtix合并的项目CordysSpringWS [1]WSDL播报编辑WSDL（Web服务描述语言，Web Services Description Language）是为描述Web服务发布的XML格式。W3C组织（World Wide Web Consortium）没有批准1.1版的WSDL，当前的WSDL版本是2.0，是W3C的推荐标准（recommendation）（一种官方标准），并将被W3C组织批准为正式标准。在诸多技术文献中通常将Web服务描述语言简写为WSDL，读音通常发为："wiz-dəl"。WSDL描述Web服务的公共接口。这是一个基于XML的关于如何与Web服务通讯和使用的服务描述；也就是描述与目录中列出的Web服务进行交互时需要绑定的协议和信息格式。通常采用抽象语言描述该服务支持的操作和信息，使用的时候再将实际的网络协议和信息格式绑定给该服务。 [1]新手上路成长任务编辑入门编辑规则本人编辑我有疑问内容质疑在线客服官方贴吧意见反馈投诉建议举报不良信息未通过词条申诉投诉侵权信息封禁查询与解封©2024 Baidu 使用百度前必读 | 百科协议 | 隐私政策 | 百度百科合作平台 | 京ICP证030173号京公网安备110000020000

WSI Models | Manufacturer Scale models 1:50 and 1:87 Trucks, Cranes, Construction

Let us know which cookies we may place. When clicking ‘Essential cookies’, we do not collect personal data and you help us to improve the site. When you click ‘Accept cookies’ you’ll get an optimal website experience. More about privacy & cookies.

Accept cookies

Essential cookies

When dedication and skills work together, expect a masterpiece.

Worldwide dealer network

Own production facility

Wide assortment

Our story

News

Quotation request

Licences

Contact

Selling points

Nederlands

English

Deutsch

Français

Español

Assortment

Trucks

Construction

Cranes

Vans

Loads

Accessoires

New

Get your most awesome scale model now

in the WSI Models collectors webshop

Museum

Business concepts

Need help?

Business quotation

Customer service

Manuals

Contact

Transportis my skill