【代码已开源】基于Python的全切片(WSI)染色归一化工具，实现了reinhard, macenko, vahadane共三种方法_vahadane 染色归一化

基于Python的全切片(WSI)染色归一化工具，实现了reinhard, macenko, vahadane共三种方法

为了应对数字病理切片受到不同中心、不同扫描设备的影响，先后有不同的研究提出了针对病理图像的染色归一化（stain normalization）方法。本仓库对三种染色归一化方式进行了封装，针对常见的病理图片处理流程实现了染色归一化工具

仓库地址

https://github.com/HaoyuCui/WSI_Normalizer

支持以下主流染色归一化方法

1. Reinhard Reinhard, Erik, et al. “Color transfer between images.” IEEE Computer graphics and applications 21.5 (2001): 34-41.
2. Macenko Macenko, Marc, et al. “A method for normalizing histology slides for quantitative analysis.” 2009 IEEE international symposium on biomedical imaging: from nano to macro. IEEE, 2009.
3. Vahadane Vahadane, Abhishek, et al. “Structure-preserving color normalization and sparse stain separation for histological images.” IEEE transactions on medical imaging 35.8 (2016): 1962-1971.

安装

1. 克隆本仓库

   git clone https://github.com/HaoyuCui/WSI_Normalizer.git
   1

2. 进入到根目录，激活虚拟环境，运行 pip install -r requirements.txt 安装依赖文件

运行

1. 在运行前，确保在原始文件夹这样组织patch块（后缀名支持.png,.jpg和.jpeg）

   ├── data
   │   ├── slide_1
   │   │   ├── patch_1.png
   │   │   ├── patch_2.png
   │   │   ├── ...
   │   ├── slide_2
   │   │   ├── patch_1.png
   │   │   ├── patch_2.png
   │   │   ├── ...
   │   ├── ...
   │   └── slide_n
   │       ├── ...
   │       └── patch_n.png
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13

2. 然后，修改以下参数
   <TARGET FOLDER> 原始文件夹，存储了以上述树状格式组织的patch块
   <OUTPUT FOLDER> 输出文件夹
   <NORM METHOD> 染色归一化方法，请确保参数位于reinhard, macenko, vahadane中
   <TARGET IMAGE> 染色参考图片（可以是数据集中的一员）

   然后运行

   python main.py --target_dir <TARGET FOLDER> --output_dir <OUTPUT FOLDER> --method <NORM METHOD> --target_img <TARGET IMAGE>
   1

3. 程序将会在<OUTPUT FOLDER>自动生成与 <TARGET FOLDER> 一致的目录结构

4. 本仓库提供了一个示例脚本，可供直接运行：

   python main.py --target_dir eg/origin --output_dir eg/norm --method vahadane --target_img eg/standard.jpg
   1

5. 运行结果如下：
   

如果有问题，欢迎联系我。
欢迎点赞和收藏，转载请注明出处，谢谢！