histolab
Procesar imágenes de portaobjetos completos para patología digital
También disponible en: davila7
Histolab automatiza la detección de tejidos y extracción de mosaicos de imágenes de portaobjetos completos de gigapíxeles. Procesa archivos WSI para extraer mosaicos informativos para pipelines de aprendizaje profundo e investigación médica.
Descargar el ZIP de la skill
Subir en Claude
Ve a Configuración → Capacidades → Skills → Subir skill
Activa y empieza a usar
Pruébalo
Usando "histolab". Extract 100 tiles from prostate tissue slide
Resultado esperado:
- 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
Usando "histolab". Create tissue mask and visualize
Resultado esperado:
- 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
Auditoría de seguridad
SeguroDocumentation-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.
Factores de riesgo
⚡ Contiene scripts (1)
⚙️ Comandos externos (1)
Puntuación de calidad
Lo que puedes crear
Preparar conjuntos de datos de entrenamiento a partir de portaobjetos de patología
Extraer conjuntos de datos de mosaicos equilibrados de imágenes de portaobjetos completos para entrenar modelos de aprendizaje profundo en detección y clasificación de cáncer.
Construir pipelines automatizados de análisis de tejidos
Crear flujos de trabajo reproducibles para segmentación de tejidos, extracción de mosaicos y evaluación de calidad a través de colecciones de portaobjetos.
Estandarizar flujos de trabajo de preprocesamiento de portaobjetos
Implementar procedimientos consistentes de detección de tejidos y extracción de mosaicos para estudios de investigación y ensayos clínicos.
Prueba estos 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.
Mejores prácticas
- Siempre previsualizar ubicaciones de mosaicos con locate_tiles() antes de la extracción para verificar la configuración
- Usar el nivel de pirámide apropiado - nivel 0 para resolución completa, nivel 1-2 para procesamiento más rápido
- Establecer el umbral de tissue_percent entre 70-90% para equilibrar cobertura y calidad
Evitar
- Extraer todos los mosaicos a la resolución más alta sin considerar las limitaciones de memoria
- Usar RandomTiler sin establecer una semilla para resultados reproducibles
- Omitir la previsualización de la máscara de tejido lo que puede llevar a extraer mosaicos de fondo
Preguntas frecuentes
¿Qué formatos de archivo soporta histolab?
¿Cómo manejo portaobjetos con múltiples secciones de tejido?
¿Puedo extraer mosaicos a múltiples resoluciones?
¿Cómo elimino anotaciones de bolígrafo de los portaobjetos?
¿Cuál es la diferencia entre RandomTiler y GridTiler?
¿Cómo puedo acelerar la extracción para conjuntos de datos grandes?
Detalles del desarrollador
Autor
K-Dense-AILicencia
Apache-2.0 license
Repositorio
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/histolabRef.
main
Estructura de archivos