pathml

PathML

概要

PathML は、計算病理学のワークフローのための包括的な Python ツールキットであり、全スライド病理画像に対する機械学習と画像解析を容易にするよう設計されています。このフレームワークは、多様なスライド形式の読み込み、画像の前処理、空間グラフの構築、深層学習モデルの学習、そして CODEX や多重免疫蛍光などの技術による多パラメータイメージングデータの解析を行うための、モジュール式で組み合わせ可能なツールを提供します。

このスキルを使用するタイミング

次のような場合にこのスキルを適用してください。

• さまざまなプロプライエタリ形式の全スライド画像 (WSI) の読み込みと処理
• 染色正規化を伴う H&E 染色組織画像の前処理
• 核の検出、セグメンテーション、分類のワークフロー
• 空間解析のための細胞および组织グラフの構築
• 病理データに対する機械学習モデル (HoVer-Net、HACTNet) の学習またはデプロイ
• 空間プロテオミクスのための多パラメータイメージング (CODEX、Vectra、MERFISH) の解析
• 多重免疫蛍光からのマーカー発現の定量
• HDF5 ストレージを用いた大規模病理データセットの管理
• タイルベースの解析とスティッチング処理

中核機能

PathML は、参照ファイル内で詳しく説明されている 6 つの主要機能領域を提供します。

1. 画像の読み込みと形式

Aperio SVS、Hamamatsu NDPI、Leica SCN、Zeiss ZVI、DICOM、OME-TIFF を含む 160 以上のプロプライエタリ形式から全スライド画像を読み込みます。PathML はベンダー固有の形式を自動的に処理し、画像ピラミッド、メタデータ、関心領域にアクセスするための統一インターフェースを提供します。

参照先: 対応形式、読み込み戦略、さまざまなスライドタイプの扱い方については references/image_loading.md を参照してください。

2. 前処理パイプライン

画像操作、品質管理、染色正規化、組織検出、マスク操作のための変換を組み合わせて、モジュール式の前処理パイプラインを構築します。PathML の Pipeline アーキテクチャにより、大規模データセット全体で再現性とスケーラビリティのある前処理が可能になります。

主要な変換:

• StainNormalizationHE - Macenko/Vahadane 染色正規化
• TissueDetectionHE、NucleusDetectionHE - 組織/核のセグメンテーション
• MedianBlur、GaussianBlur - ノイズ低減
• LabelArtifactTileHE - アーティファクトの品質管理

参照先: 変換の全カタログ、パイプラインの構築、前処理ワークフローについては references/preprocessing.md を参照してください。

3. グラフの構築

細胞および組織レベルの関係を表す空間グラフを構築します。セグメント化されたオブジェクトから特徴量を抽出し、グラフニューラルネットワークや空間解析に適したグラフベースの表現を作成します。

参照先: グラフ構築手法、特徴量抽出、空間解析ワークフローについては references/graphs.md を参照してください。

4. 機械学習

核の検出、セグメンテーション、分類のための深層学習モデルを学習し、デプロイします。PathML は、事前学習済みモデル (HoVer-Net、HACTNet)、カスタム DataLoader、推論用の ONNX サポートと PyTorch を統合しています。

主要なモデル:

• HoVer-Net - 核のセグメンテーションと分類を同時に実行
• HACTNet - 階層的な細胞種分類

参照先: モデルの学習、評価、推論ワークフロー、公開データセットの扱い方については references/machine_learning.md を参照してください。

5. 多パラメータイメージング

CODEX、Vectra、MERFISH、その他の多重イメージングプラットフォームからの空間プロテオミクスおよび遺伝子発現データを解析します。PathML は、多パラメータデータの処理に特化したスライドクラスと変換、Mesmer による細胞セグメンテーション、定量ワークフローを提供します。

参照先: CODEX/Vectra のワークフロー、細胞セグメンテーション、マーカー定量、AnnData との統合については references/multiparametric.md を参照してください。

6. データ管理

HDF5 形式を使用して、大規模な病理データセットを効率的に保存・管理します。PathML は、タイル、マスク、メタデータ、抽出された特徴量を、機械学習ワークフローに最適化された統一ストレージ構造で扱います。

参照: HDF5 との統合、タイル管理、データセットの構成、バッチ処理戦略については references/data_management.md を参照してください。

クイックスタート

インストール

# Install PathML
uv pip install pathml

# With optional dependencies for all features
uv pip install pathml[all]

基本的なワークフローの例

from pathml.core import SlideData
from pathml.preprocessing import Pipeline, StainNormalizationHE, TissueDetectionHE

# Load a whole-slide image
wsi = SlideData.from_slide("path/to/slide.svs")

# Create preprocessing pipeline
pipeline = Pipeline([
    TissueDetectionHE(),
    StainNormalizationHE(target='normalize', stain_estimation_method='macenko')
])

# Run pipeline
pipeline.run(wsi)

# Access processed tiles
for tile in wsi.tiles:
    processed_image = tile.image
    tissue_mask = tile.masks['tissue']

一般的なワークフロー

H&E 画像解析:

1. 適切なスライドクラスを使用して WSI を読み込む
2. 組織検出と染色正規化を適用する
3. 核検出を実行するか、セグメンテーションモデルを学習させる
4. 特徴量を抽出し、空間グラフを構築する
5. 後続の解析を行う

多パラメータイメージング (CODEX):

1. CODEXSlide を使用して CODEX スライドを読み込む
2. 複数ラン間のチャンネルデータを統合する
3. Mesmer モデルを使用して細胞をセグメンテーションする
4. マーカー発現を定量化する
5. 単一細胞解析のために AnnData にエクスポートする

機械学習モデルの学習:

1. 公開されている病理データを使用してデータセットを準備する
2. PathML のデータセットを使用して PyTorch DataLoader を作成する
3. HoVer-Net またはカスタムモデルを学習させる
4. ホールドアウトのテストセットで評価する
5. ONNX を使用して推論用にデプロイする

詳細なドキュメントへの参照

特定のタスクに取り組む際は、包括的な情報について適切な参照ファイルを確認してください。

• 画像の読み込み: references/image_loading.md
• 前処理ワークフロー: references/preprocessing.md
• 空間解析: references/graphs.md
• モデルの学習: references/machine_learning.md
• CODEX/多重免疫蛍光: references/multiparametric.md
• データ保存: references/data_management.md

リソース

このスキルには、機能領域ごとに整理された包括的なリファレンスドキュメントが含まれています。各リファレンスファイルには、特定の PathML 機能に関する詳細な API 情報、ワークフローの例、ベストプラクティス、トラブルシューティングのガイダンスが掲載されています。

references/

PathML の機能を詳しく扱うドキュメントファイル:

• image_loading.md - ホールスライド画像の形式、読み込み戦略、スライドクラス
• preprocessing.md - 変換の完全なカタログ、パイプラインの構築、前処理ワークフロー
• graphs.md - グラフ構築手法、特徴量抽出、空間解析
• machine_learning.md - モデルアーキテクチャ、学習ワークフロー、評価、推論
• multiparametric.md - CODEX、Vectra、多重 IF 解析、細胞セグメンテーション、定量化
• data_management.md - HDF5 ストレージ、タイル管理、バッチ処理、データセットの構成

計算病理学の特定のタスクに取り組む際は、必要に応じてこれらのリファレンスを読み込んでください。