QuPath script

本文介绍了QuPath脚本的基础知识,包括使用Groovy语言进行对象统计、类型区分、循环操作及计算百分比面积等高级应用,适合初学者快速上手。

QuPath脚本是Groovy

QuPath脚本是基于Groovy创建的。选择Groovy是因为Groovy具有很多新特性,同时又与QuPath本身所使用的Java编程语言非常匹配。熟悉Java语言的程序员应该很快就可以轻松地学习Groovy。

除了Groovy之外,还可以编写其他脚本语言。要切换到Javascript,只需打开脚本编辑器,然后选择Language(语言)→ Javascript

另外,还可以使用python、matlab或ImageJ宏语言

脚本编辑器示例

接下来介绍如何使用QuPath的脚本编辑器创建一些简单的脚本。

要进行后续操作,应该打开图像并创建几个标注,并对某些单元进行检测和分类。

统计对象

打开脚本编辑器(Automate → Show script editor),输入以下代码,然后选择Run → Run。

n = nObjects()
print("I have " + n + " objects in total")

这里不过多解释Groovy语言的内容,如果想要了解可以自行google,我们将重点介绍QuPath中脚本的细节,nObjects() 函数是QuPath提供的内置函数,返回当前图像中对象的个数。另外,脚本编辑器具有自动完成的功能,通过ctrl+space快捷键即可调用(不过我的电脑上好像没有效果)。

统计不同类型的对象

以下代码可以分别计算检测对象和标注对象的数量:

detections = getDetectionObjects()
print("I have " + detections.size() + " detections")
annotations = getAnnotationObjects()
print("I have " + annotations.size() + " annotations")

循环

我们可以使用循环来遍历特定类型的对象,例如以下脚本遍历所有的标注对象并打印该对象。了解更多for循环的信息,可以查看Groovy的文档

for (annotation in getAnnotationObjects()) {
    print(annotation)
}

或者,可以打印标注的某些特定属性。以下代码仅仅打印ROI,而不是对象本身:

for (annotation in getAnnotationObjects()) {
    roi = annotation.getROI()
    print(roi)
}

而以下代码可以打印标注的分类:

for (annotation in getAnnotationObjects()) {
    pathClass = annotation.getPathClass()
    print(pathClass)
}

类别计数

根据以上的代码,我们可以编写一段代码来实现特定分类的标注的数量统计,首先获取某一类型对象,然后遍历每一个标注对象,将标注对象的类型与特定分类类型进行对比,看代码:

tumorClass = getPathClass("Tumor")
nTumor = 0
for (detection in getDetectionObjects()) {
    pathClass = detection.getPathClass()
    if (pathClass == tumorClass)
      nTumor++
}
print("Number of tumor detections: " + nTumor)

不过在实际情况中,上面的代码可能存在一些问题。这是因为它仅会计数严格等于Tumor分类的细胞,而不会统计Tumor分类下子类别的对象。想要实现子类的计数,可以修改代码为:

tumorClass = getPathClass("Tumor")
nTumor = 0
for (detection in getDetectionObjects()) {
    pathClass = detection.getPathClass()
    if (tumorClass.isAncestorOf(pathClass))
      nTumor++
}
print("Number of tumor detections: " + nTumor)

通过使用每个分类中内置的isAncestorOf 方法,将执行检查以查看对象的分类是否等于或源自Tumor分类。

计算百分比

对上面代码稍作修改,我们就可以实现对非肿瘤区域计数并计算百分比,看代码:

tumorClass = getPathClass("Tumor")
nTumor = 0
nNonTumor = 0
for (detection in getDetectionObjects()) {
    pathClass = detection.getPathClass()
    if (tumorClass.isAncestorOf(pathClass))
      nTumor++
    else
      nNonTumor++
}
print("Number of tumor detections: " + nTumor)
print("Number of non-tumor detections: " + nNonTumor)

percentageTumor = nTumor / (nTumor + nNonTumor) * 100
print("Percentage of tumor detections: " + percentageTumor)

面积统计

在某些情况下,我们可能需要统计每个类别的所有区域的面积和,以下代码实现了肿瘤区域的面积统计:

tumorClass = getPathClass("Tumor")
nTumor = 0
nNonTumor = 0
areaTumor = 0
areaNonTumor = 0
for (detection in getDetectionObjects()) {
    roi = detection.getROI()
    pathClass = detection.getPathClass()
    if (tumorClass.isAncestorOf(pathClass)) {
      nTumor++
      areaTumor += roi.getArea()
    } else {
      nNonTumor++
      areaNonTumor += roi.getArea()
    }
}
print("Number of tumor detections: " + nTumor)
print("Number of non-tumor detections: " + nNonTumor)

percentageTumor = nTumor / (nTumor + nNonTumor) * 100
print("Percentage of tumor detections: " + percentageTumor)

percentageAreaTumor = areaTumor / (areaTumor + areaNonTumor) * 100
print("Percentage of tumor area: " + percentageAreaTumor)

注意,以上代码统计出来的面积是以像素为单位的,而不是实际的物理面积。

附加技术点

如果希望了解QuPath脚本的设计和工作原理可以继续阅读以下内容,相反,如果这是希望在QuPath中简单使用一下脚本,就可以不必向下阅读了。

默认方法和导入

以上内容中,使用了几种特定于QuPath的方法,这些方法在普通的Groovy代码中是不可用的,但是我们在使用的时候,并不需要在任何地方声明或导入它们。

这使得在QuPath中编写脚本有点像使用自定义的宏语言,而不是简单地使用Groovy。这样做的目的是试图帮助不熟悉脚本的用户以最小的学习成本来解决问题。

但是,这些默认方法从何而来,QuPath如何知道它们的存在?

QP和QPEx中的静态方法

这些方法是在以下这两个Java类中实现的:

可以阅读这两个代码文件,更进一步地了解这些方法。

QP.java 包含不依赖用户界面的方法,而QPEx.java 包含qp.java中的所有代码,还包含一些依赖界面的方法。在使用过程中可直接使用qpex.java中的方法。

导入静态方法

使用脚本编辑器运行脚本的时候,QuPath会自动导入qp和qpex中的方法。

但是,在发现默认的导入与编写脚本有某种冲突的时候,我们可以禁用自动导入的功能,在 Run → Include default bindings 设置,禁用后,我们需要手动导入QP或QPEx:

import qupath.lib.scripting.QP
import qupath.lib.scripting.QPEx

参考文档

https://github.com/qupath/qupath/wiki/Writing-custom-scripts

11-07
QuPath是一款开源、基于Java的数字病理图像分析软件,主要用于生物医学图像分析,尤其是组织切片图像的分析。 ### 功能介绍 - **图像可视化**:支持多种常见的病理图像格式,如SVS、NDPI、MRXS等,能够高效地加载和显示高分辨率的全切片图像(WSI),并且可以进行缩放、平移等操作,方便用户对图像进行观察和分析[^1]。 - **标注工具**:提供了丰富的标注工具,包括多边形、圆形、矩形等基本图形标注,以及更复杂的自由手绘标注。用户可以对感兴趣的区域进行精确标注,并为不同的标注区域添加标签和注释,以便后续的分析和分类。 - **细胞检测与分析**:具备强大的细胞检测和分析功能,能够自动识别和计数细胞,并测量细胞的各种形态学参数,如面积、周长、直径、圆度等。还可以根据细胞的特征进行分类,例如区分肿瘤细胞和正常细胞。 - **组织分割**:可以对不同的组织区域进行分割,例如将肿瘤组织、正常组织和间质组织等区分开来。通过机器学习算法,能够实现更准确的组织分割和分类。 - **机器学习与深度学习支持**:支持集成机器学习和深度学习模型,用户可以使用预训练的模型进行图像分析,也可以训练自己的模型。例如,使用深度学习模型进行肿瘤分级、预后预测等。 ### 使用指南 1. **安装与启动**:从QuPath的官方网站(https://qupath.github.io/)下载适合自己操作系统的安装包,安装完成后启动软件。 2. **导入图像**:打开软件后,选择“File” -> “Open”,浏览并选择要分析的病理图像文件。软件会自动加载图像并显示在主界面中。 3. **标注区域**:使用软件提供的标注工具,在图像上对感兴趣的区域进行标注。可以选择不同的标注类型和颜色,以便区分不同的区域。 4. **细胞检测与分析**:在标注完成后,选择相应的细胞检测算法进行细胞识别和分析。可以根据需要调整算法的参数,以获得更准确的结果。 5. **组织分割**:如果需要进行组织分割,可以选择合适的分割算法,并对分割结果进行调整和优化。 6. **结果导出**:分析完成后,可以将标注结果、细胞分析数据等导出为常见的文件格式,如CSV、JSON等,以便进一步的处理和分析。 ### 下载资源 - **官方网站**:可以从QuPath的官方网站(https://qupath.github.io/)下载最新版本的软件安装包,同时网站上还提供了详细的文档、教程和示例数据。 - **GitHub仓库**:QuPath的源代码托管在GitHub上(https://github.com/qupath/qupath),开发者可以在这里获取最新的代码,并参与项目的开发和贡献。 ```python # 这里没有实际的Python代码与QuPath直接相关,但如果要在Python中调用QuPath的一些功能(例如通过API),可以使用以下伪代码示例 import some_qupath_api_library # 假设这是一个加载图像的函数 image = some_qupath_api_library.load_image('path/to/image.svs') # 进行细胞检测 cells = some_qupath_api_library.detect_cells(image) # 输出检测到的细胞数量 print(f"Detected {len(cells)} cells.") ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Ango_Cango

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值