企业官网建设流程全解析

Histolab 病理切片可视化完全指南：从缩略图、组织掩膜到 tile 位置预览与质量评估

【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000+ scientists worldwide. 165 ready-to-use validated skills plus 100+ scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills

导读

本文以 Histolab（scientific-agent-skills 仓库中面向数字病理 WSI 处理的 Agent Skill）的官方参考文档 visualization.md 为核心，系统讲解如何对整张病理切片（Whole Slide Image, WSI）进行可视化验证：从最基础的缩略图展示、组织掩膜（tissue mask）叠加，到 tile 提取前的locate_tiles()位置预览、提取后的质量评估，再到多切片对比、过滤效果可视化以及高分辨率导出与 PDF 报告。读完本文，你将掌握一套完整的"先可视化、后提取、再质检"的数字病理预处理工作流，能够用 Histolab 验证与调试自己的 WSI 分析管线。

为什么可视化是 WSI 处理的关键环节

Histolab 面向的是 gigapixel 级别的整张病理切片：一张典型的.svs文件在 level 0 下可能是 100000×100000 像素级别的数据，无法直接目检。因此，Histolab 提供了Slide对象的缩略图（thumbnail）、掩膜定位（locate_mask()）和 tile 定位（locate_tiles()）等一系列内建可视化能力，用于：

• 验证预处理管线：在正式提取前确认组织检测、掩膜与过滤参数是否正确；
• 调试提取问题：直观看到 tile 落在背景上、tile 尺寸是否合适、掩膜是否漏掉组织；
• 呈现结果：将提取结果、评分分布、切片集合制作成论文级图件与报告。

这正对应 Histolab Skill 文档中反复强调的最佳实践：Always preview before processing（处理前永远先预览）。相关能力在 SKILL.md 中被列为六大核心能力之一，并在 core_capabilities.md 中给出了完整的示例工作流。本文聚焦其中的可视化部分，并以 tile_extraction.md、tissue_masks.md、filters_preprocessing.md 等参考文档作为深化佐证。

上图完整展示了 Histolab 从输入slide.svs（含 level 0-4 金字塔结构）、经TissueMask与Compose过滤链生成组织掩膜、通过locate_tiles()在缩略图上预览 tile 位置，再到RandomTiler/GridTiler/ScoreTiler三种策略输出tiles/*.png与report.csv的完整管线，也是本文所有可视化操作所围绕的全局上下文。

环境准备与基本约定

本 Skill 基于 Histolab 0.7.0，要求 Python 3.8–3.11、Linux 或 macOS 环境，并需先安装 OpenSlide 系统库：

uv pip install histolab

如需使用histolab.data内置的 TCGA 示例切片（前列腺、卵巢、乳腺、心脏、肾脏组织），还需安装 pooch：

uv pip install pooch

from histolab.data import prostate_tissue prostate_svs, prostate_path = prostate_tissue() slide = Slide(prostate_path, processed_path="output/")

本文后续示例统一使用：

from histolab.slide import Slide slide = Slide("slide.svs", processed_path="output/")

可视化所需依赖：matplotlib（绘图）、PIL（读取 tile 图片）、pandas+seaborn（评分分布分析）、ipywidgets（Jupyter 交互）。关于Slide的初始化参数（path、processed_path、use_largeimage）、维度、金字塔层级等属性，可参考 slide_management.md。

切片级可视化：缩略图、保存与缩放

缩略图展示

Slide.thumbnail是 Histolab 提供的默认缩略图属性，适合快速目检整张切片：

from histolab.slide import Slide import matplotlib.pyplot as plt slide = Slide("slide.svs", processed_path="output/") # Display thumbnail plt.figure(figsize=(10, 10)) plt.imshow(slide.thumbnail) plt.title(f"Slide: {slide.name}") plt.axis('off') plt.show()

保存缩略图到磁盘

把缩略图落盘是文档记录与人工复核的标准做法，slide.name为不含扩展名的切片文件名：

from pathlib import Path Path(slide.processed_path).mkdir(parents=True, exist_ok=True) slide.thumbnail.save(Path(slide.processed_path) / f"{slide.name}_thumbnail.png")

这也是 SKILL.md "Slide Loading and Inspection" 最佳实践中明确推荐的一步："Save thumbnails withslide.thumbnail.save()for quick visual review"。

缩放图像（Scaled Images）

当你需要比默认缩略图更高或更低的分辨率来观察细节时，使用scaled_image()按降采样倍率获取指定尺度下的整图：

# Get scaled version of slide at specific downsample factor scaled_img = slide.scaled_image(scale_factor=32) plt.imshow(scaled_img) plt.title(f"Slide at 32x downsample") plt.show()

scale_factor=32表示将 level 0 原始分辨率缩小 32 倍。结合 slide_management.md 中的金字塔层级知识（level 0 为最高分辨率，level 1+ 逐级降低），可先遍历slide.levels与slide.level_downsamples确定各层级降采样比例，再选择与目标分析分辨率匹配的缩放倍率。

组织掩膜可视化

使用 locate_mask() 快速叠加

掩膜是 tile 提取正确性的根基。slide.locate_mask(mask)会在切片缩略图上以红色边界叠加掩膜轮廓，一行代码即可完成校验：

from histolab.masks import TissueMask, BiggestTissueBoxMask # Visualize TissueMask tissue_mask = TissueMask() slide.locate_mask(tissue_mask) # Visualize BiggestTissueBoxMask biggest_mask = BiggestTissueBoxMask() slide.locate_mask(biggest_mask)

This displays the slide thumbnail with mask boundaries overlaid in red.

关于两种掩膜的本质区别，可参考 tissue_masks.md：

• TissueMask：对灰度图执行 Otsu 阈值分割，经膨胀连接邻近组织、填补小孔、移除小物体（伪影），返回所有组织区域的完整二值掩膜，适用于多组织块切片；
• BiggestTissueBoxMask：基于同一套过滤管线，但只保留最大连通组织区域的外接包围盒，用于单一主组织切片，同时是多数 tiler 的默认extraction_mask。

手动绘制掩膜：三图并排对比

locate_mask()适合快速复核，而手动可视化可以同时展示原图、二值掩膜与叠加效果，便于生成报告图：

import matplotlib.pyplot as plt from histolab.masks import TissueMask slide = Slide("slide.svs", processed_path="output/") mask = TissueMask() # Generate mask mask_array = mask(slide) # Create side-by-side comparison fig, axes = plt.subplots(1, 3, figsize=(20, 7)) # Original thumbnail axes[0].imshow(slide.thumbnail) axes[0].set_title("Original Slide") axes[0].axis('off') # Binary mask axes[1].imshow(mask_array, cmap='gray') axes[1].set_title("Tissue Mask") axes[1].axis('off') # Overlay mask on thumbnail from matplotlib.colors import ListedColormap overlay = slide.thumbnail.copy() axes[2].imshow(overlay) axes[2].imshow(mask_array, cmap=ListedColormap(['none', 'red']), alpha=0.3) axes[2].set_title("Mask Overlay") axes[2].axis('off') plt.tight_layout() plt.show()

注意二值掩膜使用cmap='gray'，叠加层使用ListedColormap(['none', 'red'])将非组织区域设为透明、组织区域渲染为半透明红色，这在 visualization.md 的最佳实践中被明确为"按语义选择 colormap"的规范。

多掩膜横向对比

当需要在TissueMask与BiggestTissueBoxMask之间做取舍（例如判断切片属于单组织块还是多组织块）时，可以用字典组织掩膜并并排渲染：

from histolab.masks import TissueMask, BiggestTissueBoxMask masks = { 'TissueMask': TissueMask(), 'BiggestTissueBoxMask': BiggestTissueBoxMask() } fig, axes = plt.subplots(1, len(masks) + 1, figsize=(20, 6)) # Original axes[0].imshow(slide.thumbnail) axes[0].set_title("Original") axes[0].axis('off') # Each mask for idx, (name, mask) in enumerate(masks.items(), 1): mask_array = mask(slide) axes[idx].imshow(mask_array, cmap='gray') axes[idx].set_title(name) axes[idx].axis('off') plt.tight_layout() plt.show()

如果你对TissueMask的默认过滤链不满意（例如染色的 H&E 与 IHC 阈值差异较大），还可以像 tissue_masks.md 中那样传入自定义filters列表构造掩膜，再对定制前后的掩膜做同样的可视化对比：

from histolab.filters.image_filters import RgbToGrayscale, OtsuThreshold from histolab.filters.morphological_filters import BinaryDilation, RemoveSmallHoles custom_mask = TissueMask( filters=[ RgbToGrayscale(), OtsuThreshold(), BinaryDilation(disk_size=5), RemoveSmallHoles(area_threshold=500) ] )

tile 位置预览：locate_tiles() 与自定义绘制

使用 locate_tiles() 预览

在真正提取之前，永远先调用locate_tiles()预览 tile 位置，这是 Histolab 使用铁律。三种 tiler 均可直接调用该方法，切片缩略图上会以彩色矩形标出即将被提取的 tile：

from histolab.tiler import RandomTiler, GridTiler, ScoreTiler from histolab.scorer import NucleiScorer # RandomTiler preview random_tiler = RandomTiler( tile_size=(512, 512), n_tiles=50, level=0, seed=42 ) random_tiler.locate_tiles(slide, n_tiles=20) # GridTiler preview grid_tiler = GridTiler( tile_size=(512, 512), level=0 ) grid_tiler.locate_tiles(slide) # ScoreTiler preview score_tiler = ScoreTiler( tile_size=(512, 512), n_tiles=30, scorer=NucleiScorer() ) score_tiler.locate_tiles(slide, n_tiles=15)

这里展示 colored rectangles on the slide thumbnail indicating where tiles will be extracted.

结合 tile_extraction.md 的参数说明，预览前应确认以下共同参数是否符合预期：

RandomTiler额外支持seed（可复现）与n_tiles（提取数量）；ScoreTiler需要scorer参数（如NucleiScorer、CellularityScorer或自定义Scorer子类），并按评分取前n_tiles个 tile。

自定义 tile 位置可视化

locate_tiles()足够日常使用，但当你需要精确控制矩形样式、缩放换算或集成到自定义报告布局时，可以手动在缩略图上绘制矩形框。核心要点是把 level 0 坐标除以缩略图与原始图像的缩放比，换算到缩略图坐标系：

import matplotlib.pyplot as plt import matplotlib.patches as patches from histolab.tiler import RandomTiler slide = Slide("slide.svs", processed_path="output/") tiler = RandomTiler(tile_size=(512, 512), n_tiles=30, seed=42) # Get thumbnail and scale factor thumbnail = slide.thumbnail scale_factor = slide.dimensions[0] / thumbnail.size[0] # Generate tile coordinates (without extracting) fig, ax = plt.subplots(figsize=(12, 12)) ax.imshow(thumbnail) ax.set_title("Tile Locations Preview") ax.axis('off') # Manually add rectangles for each tile location # Note: This is conceptual - actual implementation would retrieve coordinates from tiler tile_coords = [] # Would be populated by tiler logic for coord in tile_coords: x, y = coord[0] / scale_factor, coord[1] / scale_factor w, h = 512 / scale_factor, 512 / scale_factor rect = patches.Rectangle((x, y), w, h, linewidth=2, edgecolor='red', facecolor='none') ax.add_patch(rect) plt.show()

文档明确说明此例为概念性代码：实际的坐标列表应由 tiler 的内部逻辑填充（例如随机采样的命中坐标），其完整坐标来源与提取实现以 tiler 的locate_tiles/extract流程为准。使用中建议优先依赖内建locate_tiles()保证坐标系一致。

提取后 tile 的可视化

展示已提取的 tile

提取完成后，直接从processed_path读取 PNG 并按网格陈列，是检查提取质量最直观的手段：

from pathlib import Path from PIL import Image import matplotlib.pyplot as plt tile_dir = Path("output/tiles/") tile_paths = list(tile_dir.glob("*.png"))[:16] # First 16 tiles fig, axes = plt.subplots(4, 4, figsize=(12, 12)) axes = axes.ravel() for idx, tile_path in enumerate(tile_paths): tile_img = Image.open(tile_path) axes[idx].imshow(tile_img) axes[idx].set_title(tile_path.stem, fontsize=8) axes[idx].axis('off') plt.tight_layout() plt.show()

生成 tile 马赛克（Mosaic）

把函数封装成可复用的马赛克生成器，并在导出时设置dpi=150与bbox_inches='tight'，可直接输出用于数据集概览的合成图：

def create_tile_mosaic(tile_dir, grid_size=(4, 4)): """Create mosaic of tiles.""" tile_paths = list(Path(tile_dir).glob("*.png"))[:grid_size[0] * grid_size[1]] fig, axes = plt.subplots(grid_size[0], grid_size[1], figsize=(16, 16)) for idx, tile_path in enumerate(tile_paths): row = idx // grid_size[1] col = idx % grid_size[1] tile_img = Image.open(tile_path) axes[row, col].imshow(tile_img) axes[row, col].axis('off') plt.tight_layout() plt.savefig("tile_mosaic.png", dpi=150, bbox_inches='tight') plt.show() create_tile_mosaic("output/tiles/", grid_size=(5, 5))

tile 与其组织掩膜的叠加

Histolab 的Tile对象内置calculate_tissue_mask()与tissue_ratio属性，可以直接对单张 tile 做组织含量自检。把原图、掩膜、叠加三层并列展示，可确认每张 tile 中实际包含的组织比例是否满足下游训练要求：

from histolab.tile import Tile import matplotlib.pyplot as plt # Assume we have a tile object tile = Tile(image=pil_image, coords=(x, y)) # Calculate tissue mask tile.calculate_tissue_mask() fig, axes = plt.subplots(1, 3, figsize=(15, 5)) # Original tile axes[0].imshow(tile.image) axes[0].set_title("Original Tile") axes[0].axis('off') # Tissue mask axes[1].imshow(tile.tissue_mask, cmap='gray') axes[1].set_title(f"Tissue Mask ({tile.tissue_ratio:.1%} tissue)") axes[1].axis('off') # Overlay axes[2].imshow(tile.image) axes[2].imshow(tile.tissue_mask, cmap='Reds', alpha=0.3) axes[2].set_title("Overlay") axes[2].axis('off') plt.tight_layout() plt.show()

tissue_ratio直接反映该 tile 的组织占比，是判断tissue_percent阈值是否合理的可视化依据。

质量评估可视化

tile 评分分布

使用ScoreTiler.extract(slide, report_path="tiles_report.csv")会额外产出 CSV 报告（含tile_name, x_coord, y_coord, level, score, tissue_percent，格式详见 tile_extraction.md）。读取报告即可绘制评分直方图与"组织占比 vs 评分"散点图，从统计层面评估提取质量：

import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # Load tile report from ScoreTiler report_df = pd.read_csv("tiles_report.csv") # Score distribution histogram plt.figure(figsize=(10, 6)) plt.hist(report_df['score'], bins=30, edgecolor='black', alpha=0.7) plt.xlabel('Tile Score') plt.ylabel('Frequency') plt.title('Distribution of Tile Scores') plt.grid(axis='y', alpha=0.3) plt.show() # Score vs tissue percentage scatter plt.figure(figsize=(10, 6)) plt.scatter(report_df['tissue_percent'], report_df['score'], alpha=0.5) plt.xlabel('Tissue Percentage') plt.ylabel('Tile Score') plt.title('Tile Score vs Tissue Coverage') plt.grid(alpha=0.3) plt.show()

当分布出现"双峰"或"大量低分 tile"时，通常意味着tissue_percent阈值偏低或scorer与任务不匹配（评分器工作原理见 tile_extraction.md 的NucleiScorer/CellularityScorer小节）。

最高分与最低分 tile 对比

把报告按score降序排序，同时展示 top 8 与 bottom 8 的 tile 图像及对应评分，是定位"哪些区域被选中、哪些区域被丢弃"的最直接手段：

import pandas as pd from PIL import Image import matplotlib.pyplot as plt # Load tile report report_df = pd.read_csv("tiles_report.csv") report_df = report_df.sort_values('score', ascending=False) # Top 8 tiles top_tiles = report_df.head(8) # Bottom 8 tiles bottom_tiles = report_df.tail(8) fig, axes = plt.subplots(2, 8, figsize=(20, 6)) # Display top tiles for idx, (_, row) in enumerate(top_tiles.iterrows()): tile_img = Image.open(f"output/tiles/{row['tile_name']}") axes[0, idx].imshow(tile_img) axes[0, idx].set_title(f"Score: {row['score']:.3f}", fontsize=8) axes[0, idx].axis('off') # Display bottom tiles for idx, (_, row) in enumerate(bottom_tiles.iterrows()): tile_img = Image.open(f"output/tiles/{row['tile_name']}") axes[1, idx].imshow(tile_img) axes[1, idx].set_title(f"Score: {row['score']:.3f}", fontsize=8) axes[1, idx].axis('off') axes[0, 0].set_ylabel('Top Scoring', fontsize=12) axes[1, 0].set_ylabel('Bottom Scoring', fontsize=12) plt.tight_layout() plt.savefig("score_comparison.png", dpi=150, bbox_inches='tight') plt.show()

这份对比图同时服务于 SKILL.md 质量控制最佳实践中的"Review score distributions"与"Inspect top and bottom scoring tiles"两条建议。

多切片可视化

切片集合缩略图

批量处理前，把整个目录的切片缩略图铺成 3×3 网格，可以在几秒钟内完成全数据集的目检（是否存在空白切片、组织方向、染色差异）：

from pathlib import Path from histolab.slide import Slide import matplotlib.pyplot as plt slide_dir = Path("slides/") slide_paths = list(slide_dir.glob("*.svs"))[:9] fig, axes = plt.subplots(3, 3, figsize=(15, 15)) axes = axes.ravel() for idx, slide_path in enumerate(slide_paths): slide = Slide(slide_path, processed_path="output/") axes[idx].imshow(slide.thumbnail) axes[idx].set_title(slide.name, fontsize=10) axes[idx].axis('off') plt.tight_layout() plt.savefig("slide_collection.png", dpi=150, bbox_inches='tight') plt.show()

组织覆盖率对比

对每个切片应用TissueMask()，用mask.sum() / mask.size * 100计算组织覆盖率并绘制柱状图，可快速筛选"组织过少"的问题切片，也是数据集质控的标准统计手段：

from pathlib import Path from histolab.slide import Slide from histolab.masks import TissueMask import matplotlib.pyplot as plt import numpy as np slide_paths = list(Path("slides/").glob("*.svs")) tissue_percentages = [] slide_names = [] for slide_path in slide_paths: slide = Slide(slide_path, processed_path="output/") mask = TissueMask()(slide) tissue_pct = mask.sum() / mask.size * 100 tissue_percentages.append(tissue_pct) slide_names.append(slide.name) # Bar plot plt.figure(figsize=(12, 6)) plt.bar(range(len(slide_names)), tissue_percentages) plt.xticks(range(len(slide_names)), slide_names, rotation=45, ha='right') plt.ylabel('Tissue Coverage (%)') plt.title('Tissue Coverage Across Slides') plt.grid(axis='y', alpha=0.3) plt.tight_layout() plt.show()

过滤效果可视化

过滤前后对比

滤镜是组织检测与预处理的核心。用Compose组合滤镜管线后，在同一张图上并排展示"原始缩略图 vs 过滤结果"，可以直接验证灰度化 + 直方图均衡化的实际效果：

from histolab.filters.image_filters import RgbToGrayscale, HistogramEqualization from histolab.filters.compositions import Compose # Define filter pipeline filter_pipeline = Compose([ RgbToGrayscale(), HistogramEqualization() ]) # Original vs filtered fig, axes = plt.subplots(1, 2, figsize=(12, 6)) axes[0].imshow(slide.thumbnail) axes[0].set_title("Original") axes[0].axis('off') filtered = filter_pipeline(slide.thumbnail) axes[1].imshow(filtered, cmap='gray') axes[1].set_title("After Filtering") axes[1].axis('off') plt.tight_layout() plt.show()

多步过滤过程可视化

调试形态学过滤链时（例如判断膨胀核大小、小物体移除阈值是否合适），把每一步的输出横向展开，逐级观察从灰度 → Otsu 二值 → 膨胀 → 去小物体 的演变，能精准定位"哪一步引入了问题"：

from histolab.filters.image_filters import RgbToGrayscale, OtsuThreshold from histolab.filters.morphological_filters import BinaryDilation, RemoveSmallObjects # Individual filter steps steps = [ ("Original", None), ("Grayscale", RgbToGrayscale()), ("Otsu Threshold", Compose([RgbToGrayscale(), OtsuThreshold()])), ("After Dilation", Compose([RgbToGrayscale(), OtsuThreshold(), BinaryDilation(disk_size=5)])), ("Remove Small Objects", Compose([RgbToGrayscale(), OtsuThreshold(), BinaryDilation(disk_size=5), RemoveSmallObjects(area_threshold=500)])) ] fig, axes = plt.subplots(1, len(steps), figsize=(20, 4)) for idx, (title, filter_fn) in enumerate(steps): if filter_fn is None: axes[idx].imshow(slide.thumbnail) else: result = filter_fn(slide.thumbnail) axes[idx].imshow(result, cmap='gray') axes[idx].set_title(title, fontsize=10) axes[idx].axis('off') plt.tight_layout() plt.show()

这也印证了 filters_preprocessing.md 中"Preview filters: visualize filter outputs on thumbnails before applying to tiles"的实践建议——过滤器实际是可组合、可链式调用的函数对象，Compose保证了每一步的输出类型与下一步输入兼容。

导出：高分辨率图件与 PDF 报告

高分辨率导出

论文投稿或对外汇报需要 300 DPI 级别的高清图。关键在于使用dpi=300搭配bbox_inches='tight'、pad_inches=0去除多余留白：

# Export high-resolution figure fig, ax = plt.subplots(figsize=(20, 20)) ax.imshow(slide.thumbnail) ax.axis('off') plt.savefig("slide_high_res.png", dpi=300, bbox_inches='tight', pad_inches=0) plt.close()

多页 PDF 报告

使用matplotlib.backends.backend_pdf.PdfPages可以按页组织"切片缩略图 → 组织掩膜 → tile 位置预览"的完整检查报告，适合批量生成每张切片的质控文档：

from matplotlib.backends.backend_pdf import PdfPages # Create multi-page PDF report with PdfPages('slide_report.pdf') as pdf: # Page 1: Slide thumbnail fig1, ax1 = plt.subplots(figsize=(10, 10)) ax1.imshow(slide.thumbnail) ax1.set_title(f"Slide: {slide.name}") ax1.axis('off') pdf.savefig(fig1, bbox_inches='tight') plt.close() # Page 2: Tissue mask fig2, ax2 = plt.subplots(figsize=(10, 10)) mask = TissueMask()(slide) ax2.imshow(mask, cmap='gray') ax2.set_title("Tissue Mask") ax2.axis('off') pdf.savefig(fig2, bbox_inches='tight') plt.close() # Page 3: Tile locations fig3, ax3 = plt.subplots(figsize=(10, 10)) tiler = RandomTiler(tile_size=(512, 512), n_tiles=30) tiler.locate_tiles(slide) pdf.savefig(fig3, bbox_inches='tight') plt.close()

注意第 3 页中locate_tiles()会自行在缩略图上绘制 tile 矩形，因此无需手动叠加补丁；RandomTiler的完整参数（seed、check_tissue、tissue_percent等）同样适用于此处。

Jupyter 中的交互式可视化

对于参数探索场景（例如确定形态学操作的disk_size），可以用ipywidgets的@interact装饰器把过滤管线变成实时可调的控件。拖动滑块即可观察不同膨胀核尺寸对组织掩膜的影响：

from ipywidgets import interact, IntSlider import matplotlib.pyplot as plt from histolab.filters.morphological_filters import BinaryDilation @interact(disk_size=IntSlider(min=1, max=20, value=5)) def explore_dilation(disk_size): """Interactive dilation exploration.""" filter_pipeline = Compose([ RgbToGrayscale(), OtsuThreshold(), BinaryDilation(disk_size=disk_size) ]) result = filter_pipeline(slide.thumbnail) plt.figure(figsize=(10, 10)) plt.imshow(result, cmap='gray') plt.title(f"Binary Dilation (disk_size={disk_size})") plt.axis('off') plt.show()

同样的交互模式可以推广到tissue_percent、RemoveSmallObjects.area_threshold、AdaptiveThreshold的block_size/offset等参数调优（各滤镜的参数语义详见 filters_preprocessing.md）。

最佳实践清单

1. Always preview before processing：使用缩略图与locate_tiles()验证设置，提取前务必预览 tile 位置；
2. Use side-by-side comparisons：滤镜效果用并排前后对比呈现；
3. Label clearly：图件一律包含标题、坐标轴标签与图例；
4. Export high-resolution：发表级图件使用 300 DPI；
5. Save intermediate visualizations：保存中间过程图，记录每个处理步骤，便于追溯与汇报；
6. Use colormaps appropriately：'gray'用于二值掩膜，'viridis'用于热力图，透明叠加用ListedColormap/Reds；
7. Create reusable visualization functions：把马赛克、多切片对比、评分对比封装为函数，跨项目统一报告样式。

小结

可视化贯穿 Histolab WSI 处理的全生命周期：切片加载后用缩略图建立整体认知，掩膜阶段用locate_mask()与并排对比验证组织分割，提取前用locate_tiles()预览 tile 落点，提取后用 tile 网格、马赛克与tissue_ratio自检质量，再用ScoreTiler报告做评分分布与高低分对比的统计评估，最后通过多切片对比、过滤链过程可视化与 300 DPI/PDF 导出形成完整质控闭环。这套方法论可直接落地到深度学习训练集构建、整张切片分析、数据集筛选等真实场景（应用案例见 SKILL.md 的 Common Use Cases 与 typical_workflows.md），帮助你以最低成本发现数据与管线问题，避免在错误数据上浪费算力。

【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000+ scientists worldwide. 165 ready-to-use validated skills plus 100+ scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills