slidl tutorial

Lernen Slidl, eine Python-Bibliothek mit Vor- und Nachbearbeitungswerkzeugen, um Deep Learning auf Ganz-Slide-Bilder anzuwenden

SlIDL ist eine Python-Bibliothek zur Durchführung einer Deep-Learning-Bildanalyse auf Ganz-Slide-Bildern (WSIS), einschließlich Tiefgewebe, Artefakt- und Hintergrundfilterung, Fliesenextraktion, Modellinferenz, Modellbewertung und mehr. Dieses Repository lehrt Benutzer, wie sie SliDL sowohl auf eine Klassifizierung als auch auf ein Segmentierungsbeispiel anwenden, von Anfang bis Ende mit Best Practices.

Installation von Slidl und seinen Depedenzen

SliDL kann auch über den Python Package Index (PYPI) installiert werden:

 pip install slidl

Ausführen des Slidl -Tutorials

Erst klonen Sie dieses Repository:

 git clone https://github.com/markowetzlab/slidl-tutorial

Das Tutorial verwendet einen Beispiel -Subset -Lymphknoten -WSIS aus der Camelyon16 -Herausforderung. Einige dieser WSIs enthalten Brustkrebsmetastasen, und das Ziel des Tutorials besteht darin, SlIDL zu verwenden, um Deep-Learning-Modelle zu trainieren, um die Metastasen-haltigen Folien und Slide-Regionen zu identifizieren und dann die Leistung dieser Modelle zu bewerten.

Erstellen Sie ein Verzeichnis namens wsi_data , in dem mindestens 38 GB Speicherplatz vorhanden ist. Laden Sie die folgenden 18 WSIs aus dem Camelyon16 -Datensatz in wsi_data herunter:

• normal/normal_001.tif
• normal/normal_010.tif
• normal/normal_028.tif
• normal/normal_037.tif
• normal/normal_055.tif
• normal/normal_074.tif
• normal/normal_111.tif
• normal/normal_141.tif
• normal/normal_160.tif
• tumor/tumor_009.tif
• tumor/tumor_011.tif
• tumor/tumor_036.tif
• tumor/tumor_039.tif
• tumor/tumor_044.tif
• tumor/tumor_046.tif
• tumor/tumor_058.tif
• tumor/tumor_076.tif
• tumor/tumor_085.tif

Installieren Sie Jupyter Notebook in slidl-env :

 conda install -c conda-forge notebook

Nachdem die erforderlichen Software und Daten heruntergeladen wurden, sind Sie bereit, das Tutorial zu beginnen, das im Jupyter-Notizbuch slidl-tutorial.ipynb in diesem Repository enthalten ist. Starten Sie das Notebook und navigieren Sie dann zu diesem Dokument in der Schnittstelle:

 jupyter notebook

slidl-tutorial.ipynb enthält Anweisungen zum Ausführen des Tutorials. Anweisungen zum Ausführen von Jupyter -Notizbüchern finden Sie in der Jupyter -Dokumentation.

Die Ergebnisse eines abgeschlossenen Tutorial -Laufs finden Sie hier.

Die Implementierung der in diesem Repository enthaltenen U-NET-Segmentierungsarchitektur und einiger damit verbundener Segmentierungscode stammt aus dem Open-Source-Projekt von Milesal.

Dokumentation

Die vollständige Dokumentation für SliDL einschließlich seiner API -Referenz finden Sie hier.

Haftungsausschluss

Beachten Sie, dass dies die Vorveröffentlichungssoftware ist. Bitte verwenden Sie entsprechend.