【科研笔记】《Semi-Supervised PR Virtual Staining for Breast Histopathological Images》

说明：本文将继续不定时更新，最后也会把源码公开，但由于本人并非论文的原作者，因此，征求原作同意及代码重构都需要一定的时间。请谅解！

0.引言

近期组内同学的论文《Semi-Supervised PR Virtual Staining for Breast Histopathological Images》被MICCAI2022接收，这项工作是一项十分难得且精巧的工作，因此我决定将这篇文章介绍一下，就是复现起来比较麻烦。特此写出本文供大家参考。由于跑数据是在服务器上，而上传代码经过了一定的整理，有些代码位置可能发生了变化，仅供大家参考。

1.文章介绍

1.1 引言

1.2 方法

1.2.1 配准

1.2.2 半监督GAN

1.3 实验

1.4 结论

2.配准

3.整理数据

※说明：整理数据过程很是繁琐，由于该代码最初并非本人所写，因此里面很多流程都需要大家自己去更改代码的路径，也需要自己去建文件夹或改名，本教程也只能给大家一个大概的指引，望大家谅解。

3.1 将HE和IHC的WSI切图

首先要知道，我们拿到的图片都是sdpc这种格式的WSI，也就是说，这种格式在一开始就必须通过一些特殊的软件去访问，我们采用的是深圳市生强科技有限公司的扫片软件，先通过这个阅片软件把数据从sdpc转为svs文件，目录的组织结构是这样的，总的目录下，有35个文件夹，一个文件夹代表着一个患者，每个患者里头有1个HE.svs和1个HSP70.svs。这些原始的的svs被放置在/data112/lizx/data/svs1路径下。如图3.1.1所示：

之后，这些svs将被切图，使用的是create_patches_HE.py和create_patches_IHC.py，这两个脚本的作用只是将svs的图片切出来，并变成h5格式的文件。这一步操作过后，数据被存储在了/data112/lizx/SSPRVS/origin_data路径下，组织形式如图3.1.2所示。这里要注意，一开始IHCdata和HEdata文件夹下面不是1-35这样的子文件夹，而是患者的病历号，也就是大家在图3.1.1里看到的一长串数字，这都