tile_extraction

# 切片提取 ## 概述 切片提取是从大型全切片图像中裁剪出较小、易于管理区域的过程。Histolab 提供了三种主要的提取策略，每种策略都适用于不同的分析需求。所有切片器（tilers）共享通用参数，并提供预览和提取切片的方法。 ## 通用参数 所有切片器类都接受这些参数： python tile_size: tuple = (512, 512) # 切片尺寸（像素，宽、高） level: int = 0 # 提取的金字塔级别（0=最高分辨率） check_tissue: bool = True # 按组织内容过滤切片 tissue_percent: float = 80.0 # 最小组织覆盖率 (0-100) pixel_overlap: int = 0 # 相邻切片间的重叠（仅限 GridTiler） prefix: str = "" # 保存切片文件名的前缀 suffix: str = ".png" # 保存切片的文件扩展名 extraction_mask: BinaryMask = BiggestTissueBoxMask() # 定义提取区域的掩码 ## RandomTiler **目的：** 从组织区域中提取固定数量的随机位置切片。 python from histolab.tiler import RandomTiler random_tiler = RandomTiler( tile_size=(512, 512), n_tiles=100, # 要提取的随机切片数量 level=0, seed=42, # 可重复性的随机种子 check_tissue=True, tissue_percent=80.0 ) # 提取切片 random_tiler.extract(slide, extraction_mask=TissueMask()) **关键参数：** - `n_tiles`: 要提取的随机切片数量 - `seed`: 用于可重复切片选择的随机种子 - `max_iter`: 寻找有效切片的最大尝试次数（默认 1000） **使用场景：** - 切片内容的探索性分析 - 为训练数据采样不同区域 - 快速评估组织特征 - 从多个切片中创建平衡数据集 **优点：** - 计算效率高 - 适合采样多样的组织形态 - 通过种子参数可重复 - 执行速度快 **局限性：** - 可能错过罕见的组织模式 - 不保证覆盖率 - 随机分布可能无法捕获结构化特征 ## GridTiler **目的：** 按照网格模式系统地从组织区域提取切片。 python from histolab.tiler import GridTiler grid_tiler = GridTiler( tile_size=(512, 512), level=0, check_tissue=True, tissue_percent=80.0, pixel_overlap=0 # 过