histolab
Traiter des images de lames entières pour la pathologie numérique
Également disponible depuis: davila7
Histolab automatise la détection des tissus et l’extraction de tuiles à partir d’images de lames entières gigapixel. Il traite des fichiers WSI pour extraire des tuiles informatives destinées aux pipelines de deep learning et à la recherche médicale.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "histolab". Extract 100 tiles from prostate tissue slide
Résultat attendu:
- 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
Utilisation de "histolab". Create tissue mask and visualize
Résultat attendu:
- 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
Audit de sécurité
SûrDocumentation-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.
Facteurs de risque
⚡ Contient des scripts (1)
⚙️ Commandes externes (1)
Score de qualité
Ce que vous pouvez construire
Préparer des jeux de données d’entraînement à partir de lames de pathologie
Extraire des ensembles de tuiles équilibrés à partir d’images de lames entières pour entraîner des modèles de deep learning en détection et classification du cancer.
Construire des pipelines automatisés d’analyse des tissus
Créer des workflows reproductibles pour la segmentation des tissus, l’extraction de tuiles et l’évaluation de la qualité à travers des collections de lames.
Standardiser les workflows de prétraitement des lames
Mettre en œuvre des procédures cohérentes de détection des tissus et d’extraction de tuiles pour les études de recherche et les essais cliniques.
Essayez ces 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.
Bonnes pratiques
- Toujours prévisualiser l’emplacement des tuiles avec locate_tiles() avant l’extraction pour vérifier les réglages
- Utiliser le niveau de pyramide approprié - niveau 0 pour la pleine résolution, niveaux 1-2 pour un traitement plus rapide
- Définir le seuil tissue_percent entre 70-90% pour équilibrer couverture et qualité
Éviter
- Extraire toutes les tuiles à la plus haute résolution sans tenir compte des contraintes de mémoire
- Utiliser RandomTiler sans définir de seed pour des résultats reproductibles
- Ignorer la prévisualisation du masque de tissu, ce qui peut conduire à extraire des tuiles d’arrière-plan