DSMIL: 肿瘤检测的双流多实例学习网络

DSMIL: 肿瘤检测的双流多实例学习网络

dsmil-wsi dsmil-wsi: 这是一个基于PyTorch的多实例学习模型实现，用于在全幻灯图像中检测肿瘤，该模型在CVPR 2021上被接受为口头报告。 项目地址: https://gitcode.com/gh_mirrors/ds/dsmil-wsi

项目介绍

DSMIL（Dual-stream Multiple Instance Learning）是一个用于全切片图像（Whole Slide Image, WSI）中肿瘤检测的双流多实例学习网络。该项目基于PyTorch实现，旨在通过自监督对比学习方法提高肿瘤检测的准确性。DSMIL在CVPR 2021中被接受为口头报告，并展示了其在肿瘤检测任务中的优越性能。

项目快速启动

环境准备

首先，确保你已经安装了Anaconda或Miniconda。然后，创建并激活DSMIL的环境：

conda env create --name dsmil --file env.yml
conda activate dsmil

安装依赖

接下来，安装PyTorch和OpenSlide及其Python接口：

# 安装PyTorch
pip install torch torchvision

# 安装OpenSlide和openslide-python
conda install -c conda-forge openslide
pip install openslide-python

下载预计算特征

下载MIL基准数据集的预计算特征：

python download.py --dataset=mil

训练模型

使用默认数据集训练DSMIL模型：

python train_mil.py

测试和生成检测图

下载测试切片并生成检测图：

python download.py --dataset=tcga-test
python test_crop_single.py --dataset=tcga
python testing_tcga.py

应用案例和最佳实践

应用案例

DSMIL在多个公开数据集上展示了其强大的肿瘤检测能力，特别是在Camelyon16和TCGA Lung Cancer数据集上。以下是一些具体的应用案例：

1. Camelyon16数据集：通过5折交叉验证，DSMIL在Camelyon16数据集上的准确率达到了94.9%，AUC为0.961。
2. TCGA Lung Cancer数据集：在TCGA Lung Cancer数据集上，DSMIL的准确率为93.78%，AUC为0.981。

最佳实践

1. 数据预处理：确保WSI数据经过适当的预处理，包括归一化和切片。
2. 模型调优：根据具体任务调整学习率、权重衰减等超参数，以获得最佳性能。
3. 多标签任务：对于多标签分类任务，使用适当的评估指标如Hamming Loss和Subset Accuracy。

典型生态项目

OpenSlide

OpenSlide是一个用于读取全切片图像的C库，提供了Python API。DSMIL项目中使用了OpenSlide来处理WSI数据。

PyTorch

PyTorch是DSMIL的主要深度学习框架，提供了灵活的张量计算和自动求导功能，支持高效的模型训练和推理。

SimCLR

SimCLR是一个自监督学习框架，DSMIL项目中使用了SimCLR的变体来增强模型的特征提取能力。

通过这些生态项目的结合，DSMIL在肿瘤检测任务中展现了卓越的性能和广泛的应用前景。

dsmil-wsi dsmil-wsi: 这是一个基于PyTorch的多实例学习模型实现，用于在全幻灯图像中检测肿瘤，该模型在CVPR 2021上被接受为口头报告。 项目地址: https://gitcode.com/gh_mirrors/ds/dsmil-wsi