CLAM: A Deep-Learning-based Pipeline for Data Efficient and Weakly Supervised Whole-Slide-level Analysis
（CNS复现）CLAM——Chapter_00
（CNS复现）CLAM——Chapter_01
（CNS复现）CLAM——Chapter_02
（CNS复现）CLAM——Chapter_03
我在前两个礼拜的一篇教程中讲过，我要开始追踪这个课题组的五篇文章。但是因为一些原因导致我心态爆炸，所以这件事情就一直耽搁着。
今天打完疫苗心态有所恢复，在这摸鱼的一个月的时间里面，我对我自己的博客定位做了很深入的思考，最终得出了今后博客的定位。我的所有博客的定位就是单细胞或者深度学习相关的CNS文献复现。
不讲废话了，直接开始
还好当时没有开始写教程，刚刚发现代码新增了一部分关于可视化的内容，不过好像并不影响
如果大家看过文章的话会发现，该模型的主要用途是一种病理切片的辅助诊断系统，最终的想法是要完成一种语义分割：（如果是二分类）将病灶和非病灶区域通过模型输出的注意力得分进行可视化。
这个模型最大的难点就2个：
- 的数据太大
- 无法对label进行标注
文章提出了一种方法来解决这两个问题——将超大图片分割成小patch然后对patch进行聚类
因此该模型的训练阶段主要是分为4个部分：
- 切割出图形的边界，去掉大部分的背景色，
- 将大图切成小图
这两个步骤全部在 文件中进行
- 对每一张大图进行特征提取
该步骤在中执行
- 模型训练
该步骤在中执行
对于复现的话主要分为两个部分：
- 根据官方信息跑一边
- 解读重要的数据预处理流程：关于代码的执行步骤不可能每个都讲，基本只讲我认为重要的（或者我不懂的然后查懂的，关于没查懂的也会做批注方便后续回来看），因此与其说是教程，更确确切的应该是我自己的实验记录
对于CLAM这个算法，官方给出了两个版本。分别针对不同的数据类型：
- 针对 的二分类任务
- 针对 的多分类模型
本系列主要针对二分类，多分类道理相通
官方给出了 3 个数据下载源：
这里的话我是选择 数据源，一共要下载两个数据一个是 文件，还有一个是 文件
因为电脑带不动太大的数据，所以选择了 LSCC 和 LUAD 这两套数据
将硬盘中的数据移动到工作目录
- 是从github上下载的所有代码
- 是刚刚下载下来的两个文件
这一步骤，一共生成4个文件，具体如下：
其中,
- 文件中储存的image代表过滤掉的前景可视化
- 是将 中被框起来的部分的分割，将超巨大的图片分割为256*256的小patch，这些小 patch 被认为是原始 image 的特在图
- 没用
- 这里记录了每张 image 的处理的参数
在跑官方代码的时候，要先生成 文件，文件内容如下：
输出的文件是 ，文件形式大致如下：
但是，这种层级结构是不能满足后续的输入需求的。所以要新建一个名为 的文件夹，将这两个文件放入该文件夹中。最后的层级结构应该如下：
在跑代码的时候我们需要打开 文件，并找到如下位置修改：
找到csv_path 修改为自己的csv即可
执行这一步骤后，会在工作目录下生成 文件，该文件中储存所有的输出对象
同样，打开 文件，找到并做如下修改
这个步骤和 是完全一样的
在执行这个步骤的时候要对配置文件和模型参数做一下修改，具体修改如下：
打开 文件，找到如下几个位置并做修改即可
然后运行即可
官方基本流程运行完毕，这一篇是复现细节的必要途径。接下来的几篇主要针对Step1-4展开深度的解析，主要是为了让我自己清楚他怎么做的数据处理，和思考他为什么这么做。
今天的文章 pointnet++复现可视化（tempo 可视化）分享到此就结束了，感谢您的阅读。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/bian-cheng-ri-ji/55983.html