此整理仅为自己在课题进展上的总结和应用，并不全

将深度学习用于病理图像分析以及Openslide和OpenCV使用入门资料

github: https://github.com/BohriumKwong/Deep_learning_in_WSI

染色归一化

Vahadane的染色归一化

方法：

1. 光密度计算
2. 无监督染色密度估计
3. 颜色归一化
4. 归一化像素强度计算

github: https://github.com/xindubawukong/Vahadane（非原作者）
相关文章：Structure-preserved color normalization for histological images¹（ISBI 2015）

基于Vahadane方法改进的颜色归一化方法

github: https://github.com/MEDAL-IITB/Fast_WSI_Color_Norm（python2版本）
https://github.com/abhinavdhere/Fast_WSI_Color_Norm（非原作者，python3版本）
相关文章: Fast GPU-Enabled Color Normalization for Digital Pathology²（IWSSIP 2019）

Patch提取方式

随机从有组织区域提取

适用于肿瘤病理图片（大区域肿瘤），因为肿瘤病理图片有许多空白区域，属于冗余图片，可以不取
代码参考：https://github.com/arjunvekariyagithub/camelyon16-grand-challenge/blob/master/camelyon16/preprocess/extract_patches.py.

整张图片切割

适用于整张图都有目标的情况，比如2017年的MICCAI MoNuSeg挑战赛（A Dataset and a Technique for Generalized Nuclear Segmentation for Computati）
代码参考：https://github.com/thatvinhton/G-U-Net/blob/master/inference.py.

---

1. Structure-preserved color normalization for histological images ↩︎

2. Fast GPU-Enabled Color Normalization for Digital Pathology ↩︎