VALIS 镜像文档

概述

VALIS（Virtual Alignment of pathoLogy Image Series，病理图像系列虚拟配准）是一个全自动管道，用于通过刚性和/或非刚性变换配准全切片图像（WSI）。该工具集成Bio-Formats、OpenSlide、libvips和scikit-image等库，支持300多种图像格式，配准结果可保存为开源ome.tiff格式，适用于QuPath、HALO等多种软件及Python、Java、Matlab等编程语言的下游分析。

核心功能与特性

广泛的图像格式支持

基于Bio-Formats、OpenSlide等库，可读取超过300种图像格式，兼容各类病理切片和图像数据。

全自动配准流程

无需人工干预，从图像读取到配准结果输出全程自动化，包括图像预处理、特征匹配、变换计算等步骤。

灵活的配准策略

• 刚性配准：通过特征检测与匹配，按序列将图像向参考图像对齐，支持基于互信息的优化
• 非刚性配准：结合刚性配准掩码提取高分辨率组织区域，支持序列对齐或组配准（需SimpleElastix）
• 自动图像排序：未知图像顺序时，基于特征相似度优化排序，提升配准成功率

标准化输出格式

配准结果保存为ome.tiff格式，保留元数据，开源且广泛兼容，支持多平台下游分析。

全切片图像处理优化

针对WSI大文件特性，采用金字塔层级低分辨率图像进行初始处理，结合高分辨率微配准，平衡效率与精度。

配准流程详解

1. 图像转换与加载
   将图像/切片转换为numpy数组，针对大尺寸WSI采用金字塔层级的低分辨率图像，避免内存溢出。

2. 图像预处理
   转换为单通道图像并归一化，增强图像相似性；创建组织掩码，聚焦配准区域。

3. 特征检测与匹配
   检测图像特征并在图像对间匹配，为配准提供基础对应关系。

4. 图像排序（可选）
   未知顺序时，基于特征相似度优化排序，确保相邻图像高度相似，提升配准可靠性。

5. 参考图像选择
   自动将图像栈中心图像设为参考图像，所有图像向参考图像对齐。

6. 刚性配准
   串行执行刚性变换：从参考图像相邻图像开始，依次向参考方向对齐，仅使用相邻切片共有的特征。

7. 非刚性配准
   合并刚性配准掩码，提取高分辨率组织区域，重复预处理后执行非刚性变换。

8. 微配准（可选）
   使用更高分辨率图像执行二次非刚性配准，优化微观特征对齐。

9. 误差估计
   计算全分辨率图像中配准后匹配特征的距离，评估配准精度。

使用场景

• 病理多切片配准：对齐同一样本的连续切片或不同染色切片，支持空间分析
• 跨平台数据整合：生成标准化ome.tiff格式，用于QuPath、HALO等软件的定量分析
• 多模态图像融合：配准不同成像模态的病理图像，支持多维度特征分析
• AI模型训练数据准备：标准化配准图像，提升模型训练数据一致性

依赖与兼容性

• 依赖库：Bio-Formats、OpenSlide、libvips、scikit-image、numpy
• 兼容软件：QuPath、HALO、ImageJ等
• 编程语言支持：Python、Java、Matlab等

文档与资源

• 完整文档：ReadTheDocs（含安装指南与示例）
• 许可证：MIT（2021-2023 Chandler Gatenbee）