zldscr0/transmil

README

环境配置

参照https://github.com/zldscr0/WSI-FT中p39环境的配置，其他依赖项通过执行下面的指令安装。

 pip install -r requirement.txt

数据集

WSI Segmentation and Patching

CUDA_VISIBLE_DEVICES=0,1 python extract_features_fp.py --data_h5_dir DIR_TO_COORDS --data_slide_dir DATA_DIRECTORY --csv_path CSV_FILE_NAME --feat_dir FEATURES_DIRECTORY --batch_size 512 --slide_ext .svs

Feature Extraction

CUDA_VISIBLE_DEVICES=0,1 python extract_features_fp.py --data_h5_dir DIR_TO_COORDS --data_slide_dir DATA_DIRECTORY --csv_path CSV_FILE_NAME --feat_dir FEATURES_DIRECTORY --batch_size 512 --slide_ext .svs

这两个处理数据集的部分也可以直接使用之前的WSI-finetuning复现中写的两个脚本https://github.com/zldscr0/WSI-FT

处理好的图像在本地服务器上存储位置为/data/Colon/feat_dir

参数修改

1.修改TransMIL.yaml中的

dataset_name：数据集名称，需同TransMIL/datasets下的数据集构造相关的.py文件一一对应。

data_dir：CLAM框架执行完提取特征（上述的Feature Extraction）后的.pt文件

label_dir：存带标签信息（已经划分好训练集、测试集和验证集）的.csv文件的目录，.csv的文件示例参照代码库中的dataset_csv/final.csv

2.修改TransMIL.yaml中的其他相关超参数开始运行。

train

python train.py --stage='train' --config='TransMIL.yaml'  --gpus=0 --fold=0

训练过程截图

最优模型

自动保存在logs/下，训练过程中验证集的结果存在metrics.csv中

test

对最优模型进行测试：

python train.py --stage='test' --config='TransMIL.yaml'  --gpus=0 --fold=0

测试结果

logs/fold0/result.csv

Loss图