rendeirolab/LazySlide

解决的问题

LazySlide 为数字病理学和计算病理学中的全切片图像（WSI）分析提供了一个统一的 Python 框架。它简化了从原始切片图像到高层次生物学洞察的复杂工作流程，通过最先进的 AI 模型自动化组织检测、切片、特征提取等任务。

如何工作

该框架整合了多种工具和模型，创建了一个无缝的分析流程。它使用 wsidata 支持多种切片格式（SVS、NDPI 等），并将结果以 SpatialData 格式存储，确保与 scverse 生态系统（scanpy、anndata、squidpy）的互操作性。典型流程包括：

• 预处理：检测组织并以特定分辨率进行切片。
• 特征提取：使用病理学基础模型（如 UNI 或 Virchow）或标准视觉模型提取切片特征。
• 分析：执行细胞分割、零样本分类，并将形态学特征与基因表达关联。

适用人群

专为数字病理学和计算生物学领域的研究人员和实践者设计，旨在提供一种易于使用的方式，将基础模型和空间分析工具整合到研究工作流中。

主要亮点

• 丰富的模型支持：支持 30 多种病理学基础模型和视觉-语言模型（CONCH、PLIP、TITAN），可用于零样本预测和图像描述。
• 可互操作的数据：通过 SpatialData 与 scverse 生态系统原生集成。
• 广泛的格式支持：兼容多种切片格式，包括 SVS、NDPI、MRXS 和 DICOM。
• 深度学习就绪：提供 PyTorch 数据集，用户可训练自己的自定义模型。