PathML

Visão Geral

PathML é um kit de ferramentas Python abrangente para fluxos de trabalho de patologia computacional, projetado para facilitar aprendizado de máquina e análise de imagens para imagens de patologia de lâmina inteira. O framework fornece ferramentas modulares e compostas para carregamento de diversos formatos de lâminas, pré-processamento de imagens, construção de gráficos espaciais, treinamento de modelos de aprendizado profundo e análise de dados de imagem multiparamétrica de tecnologias como CODEX e imunofluorescência multiplex.

Quando Usar Esta Habilidade

Aplique esta habilidade para:

• Carregar e processar imagens de lâminas inteiras (WSI) em vários formatos proprietários
• Pré-processar imagens de tecido coradas com H&E com normalização de coloração
• Fluxos de trabalho de detecção, segmentação e classificação de núcleos
• Construir gráficos de células e tecidos para análise espacial
• Treinar ou implantar modelos de aprendizado de máquina (HoVer-Net, HACTNet) em dados de patologia
• Analisar imagem multiparamétrica (CODEX, Vectra, MERFISH) para proteômica espacial
• Quantificar expressão de marcadores de imunofluorescência multiplex
• Gerenciar conjuntos de dados de patologia em larga escala com armazenamento HDF5
• Análise baseada em tiles e operações de costura

Capacidades Principais

PathML fornece seis áreas de capacidade principais documentadas em detalhes em arquivos de referência:

1. Carregamento de Imagens e Formatos

Carregue imagens de lâminas inteiras de 160+ formatos proprietários, incluindo Aperio SVS, Hamamatsu NDPI, Leica SCN, Zeiss ZVI, DICOM e OME-TIFF. PathML trata automaticamente formatos específicos de fabricantes e fornece interfaces unificadas para acessar pirâmides de imagem, metadados e regiões de interesse.

Veja: references/image_loading.md para formatos suportados, estratégias de carregamento e trabalho com diferentes tipos de lâminas.

2. Pipelines de Pré-processamento

Construa pipelines de pré-processamento modulares ao compor transformações para manipulação de imagem, controle de qualidade, normalização de coloração, detecção de tecido e operações de máscara. A arquitetura Pipeline do PathML permite pré-processamento reproduzível e escalável em grandes conjuntos de dados.

Transformações principais:

• StainNormalizationHE - Normalização de coloração Macenko/Vahadane
• TissueDetectionHE, NucleusDetectionHE - Segmentação de tecido/núcleo
• MedianBlur, GaussianBlur - Redução de ruído
• LabelArtifactTileHE - Controle de qualidade para artefatos

Veja: references/preprocessing.md para catálogo completo de transformações, construção de pipeline e fluxos de trabalho de pré-processamento.

3. Construção de Gráficos

Construa gráficos espaciais que representem relacionamentos celulares e de nível de tecido. Extraia recursos de objetos segmentados para criar representações baseadas em gráficos adequadas para redes neurais de gráficos e análise espacial.

Veja: references/graphs.md para métodos de construção de gráficos, extração de recursos e fluxos de trabalho de análise espacial.

4. Aprendizado de Máquina

Treine e implante modelos de aprendizado profundo para detecção, segmentação e classificação de núcleos. PathML integra PyTorch com modelos pré-construídos (HoVer-Net, HACTNet), DataLoaders personalizados e suporte ONNX para inferência.

Modelos principais:

• HoVer-Net - Segmentação e classificação simultânea de núcleos
• HACTNet - Classificação hierárquica de tipo de célula

Veja: references/machine_learning.md para treinamento de modelos, avaliação, fluxos de trabalho de inferência e trabalho com conjuntos de dados públicos.

5. Imagem Multiparamétrica

Analise dados de proteômica espacial e expressão gênica de CODEX, Vectra, MERFISH e outras plataformas de imagem multiplex. PathML fornece classes de slide especializadas e transformações para processar dados multiparamétricos, segmentação de células com Mesmer e fluxos de trabalho de quantificação.

Veja: references/multiparametric.md para fluxos de trabalho CODEX/Vectra, segmentação de células, quantificação de marcadores e integração com AnnData.

6. Gerenciamento de Dados

Armazene e gerencie eficientemente grandes conjuntos de dados de patologia usando formato HDF5. PathML trata tiles, máscaras, metadados e recursos extraídos em estruturas de armazenamento unificadas otimizadas para fluxos de trabalho de aprendizado de máquina.

Veja: references/data_management.md para integração HDF5, gerenciamento de tiles, organização de conjuntos de dados e estratégias de processamento em lote.

Início Rápido

Instalação

# Instalar PathML
uv pip install pathml

# Com dependências opcionais para todos os recursos
uv pip install pathml[all]

Exemplo de Fluxo de Trabalho Básico

from pathml.core import SlideData
from pathml.preprocessing import Pipeline, StainNormalizationHE, TissueDetectionHE

# Carregue uma imagem de lâmina inteira
wsi = SlideData.from_slide("path/to/slide.svs")

# Crie pipeline de pré-processamento
pipeline = Pipeline([
    TissueDetectionHE(),
    StainNormalizationHE(target='normalize', stain_estimation_method='macenko')
])

# Execute o pipeline
pipeline.run(wsi)

# Acesse tiles processados
for tile in wsi.tiles:
    processed_image = tile.image
    tissue_mask = tile.masks['tissue']

Fluxos de Trabalho Comuns

Análise de Imagem H&E:

1. Carregue WSI com a classe de slide apropriada
2. Aplique detecção de tecido e normalização de coloração
3. Execute detecção de núcleo ou treine modelos de segmentação
4. Extraia recursos e construa gráficos espaciais
5. Conduza análise subsequente

Imagem Multiparamétrica (CODEX):

1. Carregue slide CODEX com CODEXSlide
2. Colapsar dados de canal com múltiplas execuções
3. Segmente células usando modelo Mesmer
4. Quantifique expressão de marcadores
5. Exporte para AnnData para análise de célula única

Treinamento de Modelos ML:

1. Prepare conjunto de dados com dados de patologia pública
2. Crie PyTorch DataLoader com conjuntos de dados PathML
3. Treine HoVer-Net ou modelos personalizados
4. Avalie em conjuntos de testes retidos
5. Implante com ONNX para inferência

Referências para Documentação Detalhada

Ao trabalhar em tarefas específicas, consulte o arquivo de referência apropriado para informações abrangentes:

• Carregamento de imagens: references/image_loading.md
• Fluxos de trabalho de pré-processamento: references/preprocessing.md
• Análise espacial: references/graphs.md
• Treinamento de modelos: references/machine_learning.md
• CODEX/IF multiplex: references/multiparametric.md
• Armazenamento de dados: references/data_management.md

Recursos

Esta habilidade inclui documentação de referência abrangente organizada por área de capacidade. Cada arquivo de referência contém informações detalhadas de API, exemplos de fluxo de trabalho, melhores práticas e orientação de solução de problemas para funcionalidade PathML específica.

references/

Arquivos de documentação fornecendo cobertura aprofundada das capacidades PathML:

• image_loading.md - Formatos de imagem de lâmina inteira, estratégias de carregamento, classes de slide
• preprocessing.md - Catálogo completo de transformações, construção de pipeline, fluxos de trabalho de pré-processamento
• graphs.md - Métodos de construção de gráficos, extração de recursos, análise espacial
• machine_learning.md - Arquiteturas de modelos, fluxos de trabalho de treinamento, avaliação, inferência
• multiparametric.md - Análise CODEX, Vectra, IF multiplex, segmentação de células, quantificação
• data_management.md - Armazenamento HDF5, gerenciamento de tiles, organização de conjuntos de dados, processamento em lote

Carregue estas referências conforme necessário ao trabalhar em tarefas específicas de patologia computacional.