tissue_masks

# 组织掩码 ## 概述 组织掩码是识别全切片图像中组织区域的二值表示。它们对于在切片提取过程中过滤掉背景、伪影和非组织区域至关重要。Histolab 提供了多种掩码类以适应不同的组织分割需求。 ## 掩码类 ### BinaryMask **目的：** 用于创建自定义二值掩码的通用基类。 python from histolab.masks import BinaryMask class CustomMask(BinaryMask): def _mask(self, obj): # 实现自定义掩码逻辑 # 返回二值 numpy 数组 pass **使用场景：** - 自定义组织分割算法 - 区域特定分析（例如，排除标注） - 与外部分割模型集成 ### TissueMask **目的：** 使用自动过滤器分割切片中的所有组织区域。 python from histolab.masks import TissueMask # 创建组织掩码 tissue_mask = TissueMask() # 应用于切片 mask_array = tissue_mask(slide) **工作原理：** 1. 将图像转换为灰度 2. 应用 Otsu 阈值处理以分离组织与背景 3. 执行二值膨胀以连接附近的组织区域 4. 移除组织区域内的小孔 5. 过滤掉小对象（伪影） **返回：** 二值 NumPy 数组，其中： - `True` (或 1): 组织像素 - `False` (或 0): 背景像素 **最佳适用：** - 具有多个独立组织切片的切片 - 全面的组织分析 - 当所有组织区域都很重要时 ### BiggestTissueBoxMask (默认) **目的：** 识别并返回最大连通组织区域的边界框。 python from histolab.masks import BiggestTissueBoxMask # 为最大组织区域创建掩码 biggest_mask = BiggestTissueBoxMask() # 应用于切片 mask_array = biggest_mask(slide) **工作原理：** 1. 应用与 TissueMask 相同的过滤工作流 2. 识别所有连通的组织组件 3. 选择最大的连通组件 4. 返回包含该区域的边界框 **最佳适用：** - 具有单个主要组织切片的切片 - 排除小伪影或组织碎片 - 聚焦于主要组织区域（大多数切片器的默认设置） ## 使用过滤器自定义掩码 掩码接受用于专门组织检测的自定义过滤器链： python from histolab.masks import TissueMask from histolab.filters.image_filters import RgbToGrayscale, OtsuThreshold from histolab.filters.morphological_filters im