pointnet++复现可视化（tempo 可视化）

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。

（到目前为止，没有一次完成过我定下来的flag，可能就是因为心态太差了）

不讲废话了，直接开始

首先我们看一下官方介绍：
CLAM： 是一种高通量且可解释的方法，可使用幻灯片级别的标签对数据进行有效的整个幻灯片图像（WSI）分类，而无需任何ROI提取或补丁级别的注释，并且能够处理多类子类型化问题。经过训练的模型在三个不同的WSI数据集上进行了测试，可适应WSI切除和活检以及智能手机显微镜图像（显微照片）的独立测试队列。

环境配置，什么好说的了，直接跟着官方指南走就行。
这里需要注意一点就是，topk可能按指南的Code是没办法安装的，所以我是直接下载下来后，将topk文件拖到代码目录下的
官方环境配置指南：
https://github.com/mahmoodlab/CLAM/blob/master/docs/INSTALLATION.md

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：

官方制定数据源
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

在这里插入图片描述
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

数据源如下：
在这里插入图片描述
其中,

是从github上下载的所有代码
是刚刚下载下来的两个文件

为了加快后续的分析，我随机挑选了几个样本构成
在这里插入图片描述
到该步骤，前期准备就绪开始跑流程

这一步骤，一共生成4个文件，具体如下：

在这里插入图片描述
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：

务必注意slide_id 是没有文件后缀的

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：

与步骤2相同，步骤三执行前要先生成文件，文件内容如下：
在这里插入图片描述
其中第一列为case_id，这个要使用之前下载的cohort.csv文件获取，生成Step.03所需要的csv文件代码如下：

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

最终可视化结果如图：
在这里插入图片描述

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。

到此这篇pointnet++复现可视化（tempo 可视化）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！

上一篇： kubelete 资源限制（kubernetes 资源）

下一篇： ipv6 tcp报文（ipv6报文结构和ipv4相比有什么变化）

版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。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。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/do-docker-k8s/73173.html

相关文章：