histolab
Ganze Objektträger-Bilder für digitale Pathologie verarbeiten
Auch verfügbar von: davila7
Histolab automatisiert die Gewebeerfassung und Kachelextraktion aus Gigapixel-Objektträger-Bildern. Es verarbeitet WSI-Dateien, um informative Kacheln für Deep-Learning-Pipelines und medizinische Forschung zu extrahieren.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "histolab". Extract 100 tiles from prostate tissue slide
Erwartetes Ergebnis:
- Loaded slide: prostate.svs (dimensions: 46000×32000 pixels)
- Created RandomTiler with 512×512 tile size
- Applied tissue mask filtering (80% threshold)
- Extracted 100 tiles to output/prostate_tiles/
- Generated preview visualization showing tile locations
- Average tissue coverage: 87% across extracted tiles
Verwendung von "histolab". Create tissue mask and visualize
Erwartetes Ergebnis:
- Initialized TissueMask with default filters
- Generated binary mask (tissue: 72%, background: 28%)
- Saved mask visualization to output/mask_preview.png
- Detected 3 tissue regions with varying sizes
Sicherheitsaudit
SicherDocumentation-only skill containing markdown files with Python code examples for histolab, a legitimate digital pathology library. All 389 static findings are false positives - backticks are markdown syntax for code blocks (not Ruby/shell execution), no actual cryptographic or malicious patterns exist, and no executable code is present. This is a safe scientific tool for processing whole slide images.
Risikofaktoren
⚡ Enthält Skripte (1)
⚙️ Externe Befehle (1)
Qualitätsbewertung
Was du bauen kannst
Trainingsdatensätze aus Pathologie-Objektträgern vorbereiten
Ausgewogene Kachel-Datensätze aus ganzen Objektträger-Bildern extrahieren, um Deep-Learning-Modelle für Krebserkennung und Klassifizierung zu trainieren.
Automatisierte Gewebeanalyse-Workflows erstellen
Reproduzierbare Workflows für Gewebesegmentierung, Kachelextraktion und Qualitätsbewertung über Objektträger-Sammlungen hinweg erstellen.
Objektträger-Vorverarbeitungs-Workflows standardisieren
Konsistente Gewebeerfassung und Kachelextraktionsverfahren für Forschungsstudien und klinische Studien implementieren.
Probiere diese Prompts
Load the slide at path 'slide.svs' and extract 100 random tiles of size 512x512 pixels. Save them to 'output/tiles/' directory.
Create a tissue mask for my slide and visualize it. Use the BiggestTissueBoxMask to focus on the main tissue section.
Extract tiles in a grid pattern across all tissue regions with 20% overlap. Use tissue mask to avoid background areas.
Use ScoreTiler with NucleiScorer to extract the 50 tiles with highest nuclei density. Generate a report of tile scores.
Bewährte Verfahren
- Kachelpositionen immer mit locate_tiles() vor der Extraktion in der Vorschau anzeigen, um Einstellungen zu überprüfen
- Passende Pyramidenebene verwenden - Ebene 0 für volle Auflösung, Ebene 1-2 für schnellere Verarbeitung
- tissue_percent-Schwellenwert zwischen 70-90% einstellen, um Abdeckung und Qualität auszubalancieren
Vermeiden
- Alle Kacheln in höchster Auflösung extrahieren, ohne Speicherbeschränkungen zu berücksichtigen
- RandomTiler ohne Setzen eines Seeds für reproduzierbare Ergebnisse verwenden
- Gewebemasken-Vorschau überspringen, was zu Extraktion von Hintergrundkacheln führen kann
Häufig gestellte Fragen
Welche Dateiformate unterstützt histolab?
Wie gehe ich mit Objektträgern mit mehreren Gewebeabschnitten um?
Kann ich Kacheln in mehreren Auflösungen extrahieren?
Wie entferne ich Stiftannotationen von Objektträgern?
Was ist der Unterschied zwischen RandomTiler und GridTiler?
Wie kann ich die Extraktion für große Datensätze beschleunigen?
Entwicklerdetails
Autor
K-Dense-AILizenz
Apache-2.0 license
Repository
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/histolabRef
main
Dateistruktur