病理图像处理个人手札（三）WSI & MIL

1.什么是WSI？

WSI全称是Whole Slide Image，也就是全视野数字切片，主要应用在病理学细胞图像领域。WSI 是利用数字扫描仪对传统的病理切片进行扫描，采集具有高分辨率的数字图像，再通过计算机将得到的碎片化图像进行无缝拼接整合，制作可视化数字图像的一项技术。与传统载玻片相比，很好地解决了传统的玻璃切片易损坏、易褪色、易丢片、检索困难的问题。
一言以蔽之，WSI是对传统载玻片进行数字化。
由于是全视野，因此它将包含多尺度的切片在一个文件上面。因此WSI将使用到金字塔模型满足其支持不同分辨率的特性以放缩图片。

可以看出，一个WSI里面装有样本（specimen）,标签（label）,盖片（cover slip）,滑动基底（slide substrate），有点像在显微镜下观察细胞内部结构。

2.MIL

MIL（multiple instance learning）多实例学习，顾名思义就是多个实例一起学习，听起来像是多线程一起做一个事情，不过其最核心的原理以及目的是在于它将一个样本再次进行语义分割，分割出若干的instance，并且用bag多实例包进行封装，在不做这样分包处理的时候，通常是将这个样本向量化，然后放入网络训练，但是向量化时候，会带入一部分非代表性特征进入，比如要进行动物分类，那提取每个动物的样本时候，其背景或者样本附近的实例会成为这个样本的噪声。因此将样本再次进行实例分割，每个分割区域看作一个示例instance，而将该样本作为一个多实例包（bag）。
分完之后，可知的是多实例包bag的label,而包内的各个实例是没有label的，我们的任务是在正类（有肿瘤）多实例bag和负类（无肿瘤）多实例包的基础上，建立分类器，区分正类多实例包和负类多实例包。
传统的分割通过逐像素或逐patch的Ground Truth的标注为分割依据，不过在病理组织学中并不适用，因为手工标注量不足以满足分割需求，而MIL可以减少标注的工作量，又可以达到分割的需求。在MIL中有两种不同的MIL，分别是分类包和训练实例分类（分割）模型。

3.数字图像

何为数字图像？初接触图像处理的朋友有必要先了解一下。我们将一幅图像定义成二维函数f(x,y)，其中x和y是空间(平面)坐标，f在任何坐标点(x, y)处的振幅称为图像在该点的亮度。灰度是用来表示黑白图像亮度的一个术语, 若要将关于x,y坐标以及幅值都是连续的图像转化为数字形式，就需要进行** “取样”和“量化” **，经过这两步后，此时的图像才能称为数字图像。
得到的结果是一个实数矩阵，和坐标相对应，我们在matlab里面就可以把一幅图像表示为矩阵，其中f(x,y)可以表示为每一点的幅值，比如灰度值强度值等。