病理AI领域的常用开源工具汇总

小罗碎碎念

本期推文主题：病理AI领域的常用开源工具汇总

我们有快一周的时间没见啦，所以，这一期推文带来一些比较有实用价值的资源。

我总结了5个病理AI领域常用的软件，用专用于注释的，也有包含整个处理流程的，对于不想/不会写代码的人来说是很友好的一期推文，大家各取所需咯。

后期也可能会从里面挑出几个软件，实际的分析一下，介绍一下使用流程，有需要的就点个关注，加个群再走咯。

一、ImageJ

传送门

imagej.net/ij/

ImageJ简介

ImageJ是一个免费的开源图像处理软件，由美国国家卫生研究院（NIH）开发。它基于Java语言，因此具有良好的跨平台兼容性，可以在Windows、Mac OS、Linux等操作系统上运行。

ImageJ不仅能够处理常规的图像编辑和分析任务，还支持复杂的图像分析功能，如细胞计数、荧光成像分析等。此外，ImageJ的功能可以通过插件进一步扩展，社区提供了大量的插件供用户使用.

官网的首页比较简约，不过有在线的工具可以供你使用，感兴趣的自取。

使用ImageJ

ImageJ的用户界面直观，易于学习。用户可以通过菜单栏、工具栏和状态栏进行操作。

软件支持多种图像格式，包括TIFF、PNG、GIF、JPEG等，并能够处理图像栈，即在一个窗口中展示多个相关图像.

功能特色

图像处理：ImageJ提供了一系列图像处理工具，包括滤波、形态学操作、色彩空间转换等。
分析和测量：软件能够计算选定区域的面积、像素值统计、间距和角度，并生成直方图和剖面图。
自动化：用户可以录制宏或编写脚本来自动化重复性的图像处理任务。
多线程处理：ImageJ利用多线程技术提高处理速度，尤其是在处理大型图像或图像栈时。
空间校准：ImageJ支持空间校准，允许用户进行实际尺寸的测量。
插件支持：ImageJ的开放式架构允许开发者创建和安装插件，以增加新的功能或改进现有功能.

获取和安装

ImageJ可以直接从其官方网站下载，不需要复杂的安装过程。下载后解压即可使用。软件的最新版本和更新补丁通常会在官方网站上提供。

由于ImageJ是基于Java的，因此在使用前确保计算机上安装了合适版本的Java运行环境.

二、QPath

QPath专门设计用于整片切片图像。与ImageJ不同，你可以使用专门处理它们的插件。Cuba就是为整片切片图像而开发的插件，其最初目的是用于生物标志物定量和免疫组化定量。然而，现在它的应用范围更广泛了。

在Cuba中，你可以创建多片切片项目，进行染色估计、注释等各种复杂操作，可以对细胞进行定量等等，几乎包括了你对高级组织图像分析软件的一切期望。

传送门

https://qupath.github.io/

QuPath是一个开源的数字病理学图像分析平台，它为病理学家和研究人员提供了一个强大的工具，用于分析和注释数字病理图像。

功能特点：QuPath提供了一系列的图像分析工具，包括光密度测量，这是一种测量图像中特定区域吸收或反射光程度的方法。它还支持对数字病理学图像进行注释，包括区域（Region）、注释对象（Annotation Object）、注释层（Annotation Layer）、属性（Properties）和标签（Labels）。
使用场景：QuPath适用于全玻片图像分析，具有跨平台、多线程、基于图块的全幻灯片图像查看器，并包含广泛的注释和可视化工具。它还提供了批处理和脚本功能，允许用户创建自定义工作流程，并通过脚本进行批处理。
算法和分析：QuPath提供了新颖的算法，这些算法不仅解决了病理学中常见的分析问题，还提供了创建自定义工作流程的构建块。例如，它可以用于肿瘤识别、高通量生物标志物评估，以及通过颜色反卷积分离染色剂来识别单个细胞，并根据DAB通道信息将细胞分配为阳性或阴性。
市场地位：QuPath作为数字病理学图像分析软件市场中的一个参与者，与其他企业如Media Cybernetics, Inc.、Augmentiqs、Reveal Biosciences等竞争。它在全球市场中占有一席之地，并在不同地区如北美、欧洲、亚太等有其应用。
应用实例：QuPath被用于多种研究中，例如在组织微阵列（TMA）的注释、免疫组化分析、H&E玻片扫描和肿瘤基质百分比分析等方面。它还可以作为深度学习神经网络的训练工具，提供框架以训练更高级的深度学习模型。
发展趋势：数字病理学图像分析软件市场预计将持续增长，QuPath作为其中的一部分，有望随着技术进步和市场需求的增加而发展。

QuPath作为一个开源平台，因其灵活性和强大的功能，在数字病理学图像分析领域中发挥着重要作用，并为研究人员和病理学家提供了宝贵的资源。

三、Cell Profiler

传送门

https://cellprofiler.org/

Cell Profiler是一款开源的生物图像分析软件，主要用于高通量细胞图像分析。

1. 简介

Cell Profiler是由Broad Institute开发的一款用于自动化图像分析的软件。它旨在帮助研究人员快速、准确地分析大量的细胞图像，从而在生物学和医学研究中获得有价值的数据。

2. 主要功能

图像处理：Cell Profiler可以处理各种格式的图像，并提供基本的图像处理功能，如调整亮度、对比度、旋转等。
图像分割：软件能够自动识别并分割图像中的细胞和其他感兴趣的对象。
特征提取：从分割的图像中提取特征，如形状、纹理、颜色等。
数据量化：将提取的特征量化为数值，以便进行进一步的统计分析。
自定义模块：用户可以自定义分析流程，添加或修改分析模块，以适应不同的研究需求。
批处理：支持批量处理大量图像，提高分析效率。

3. 应用领域

细胞生物学：用于细胞形态学、细胞周期分析、细胞迁移和增殖研究。
药物筛选：在药物发现和开发过程中，用于评估药物对细胞的影响。
组织病理学：分析组织切片图像，评估病理变化。
生物医学研究：广泛应用于各种需要图像分析的生物医学研究领域。

4. 用户界面

Cell Profiler提供了一个直观的用户界面，用户可以通过图形化的方式定义分析流程，选择所需的图像处理和分析模块。这使得即使是没有编程背景的用户也能轻松使用。

5. 数据输出

分析完成后，Cell Profiler可以输出标准化的数据文件，如CSV或Excel格式，方便用户进行进一步的统计分析和数据挖掘。

6. 开源和社区支持

作为开源软件，Cell Profiler的源代码对所有人开放，用户可以自由地访问、修改和分发软件。同时，它拥有一个活跃的社区，用户可以在社区中获得帮助、分享经验和改进建议。

7. 跨平台支持

Cell Profiler支持多种操作系统，包括Windows、macOS和Linux，这使得它能够服务于更广泛的用户群体。

四、Cytomine

传送门

https://cytomine.com/

Cytomine是一个开源的、面向数字病理学的软件平台，旨在促进协作和多模态数据分析。

开源和协作：Cytomine遵循开放科学的理念，开发了支持下一代数字病理学与分子调查相结合的网络软件功能。
数字病理支持：Cytomine支持传统的组织学全切片图像浏览，并且能够与基质辅助激光解吸电离（MALDI）成像等新型组织成像方法相结合，以更好地进行分子诊断。
多模态分析：软件允许用户探索传统组织学、分子成像和细胞计数数据，这些数据可以用于蛋白质组学预处理。
图像存储和上传：Cytomine提供了上传和管理图像文件的功能。
图像查看器：用户可以使用Cytomine的图像查看器浏览千兆像素图像，并在项目中以协作的方式进行比较。
注释功能：Cytomine允许用户在项目图像中绘制、保存感兴趣的区域（ROI），并将语义值与之关联。
外部脚本集成：平台支持集成外部脚本，用于数据聚合、计算机视觉、机器学习和其他算法。

Cytomine软件是一个强大的工具，它通过提供先进的图像分析和数据管理功能，支持生物医学研究中的数字病理学和分子诊断。

五、PathML

传送门

https://pathml.org/

PathML是一种用于存储和交换病理学数据的标记语言，它特别设计用于生物医学领域，特别是病理学图像分析和数据管理。

标准化：PathML提供了一种标准化的方式来描述和存储病理学数据，包括图像、注释、临床信息和其他相关的生物医学数据。这种标准化有助于不同系统和平台之间的数据交换和互操作性。
可扩展性：PathML设计为高度可扩展，允许用户根据自己的需求添加新的数据类型和结构。这意味着随着生物医学领域的不断发展，PathML可以适应新的数据类型和分析方法。
数据整合：PathML可以整合来自不同来源的数据，包括组织学图像、分子数据、临床记录等，使得研究人员能够在一个统一的框架下进行多模态数据分析。
语义丰富：PathML支持丰富的语义标注，允许用户对数据进行详细的描述和注释，这有助于提高数据的可解释性和可用性。
支持复杂数据结构：PathML能够表示复杂的数据结构，如多层次的注释和多尺度的图像数据，这对于高级的图像分析和模式识别至关重要。
与现有技术的兼容性：PathML旨在与现有的生物医学信息学工具和数据库兼容，以便轻松集成到现有的工作流程中。
支持机器学习和人工智能：由于其结构化和标准化的特性，PathML支持机器学习和人工智能算法的开发和应用，有助于自动化和提高病理学数据分析的效率。
应用领域：PathML在数字病理学、生物标志物发现、药物开发、临床试验设计等多个领域都有潜在的应用。

PathML作为一种专业的标记语言，通过提供标准化和可扩展的数据表示方法，为病理学数据的管理和分析提供了强大的支持，有助于推动生物医学研究的进展。