slidl tutorial

Learning Slidl, una biblioteca de Python de herramientas previas y posteriores al procesamiento para aplicar el aprendizaje profundo a las imágenes de plena total

Slidl es una biblioteca de Python para realizar un análisis de imágenes de aprendizaje profundo en imágenes de plana completa (WSI), que incluyen tejido profundo, artefactos y filtrado de fondo, extracción de mosaicos, inferencia del modelo, evaluación del modelo y más. This repository serves to teach users how to apply SliDL on both a classification and a segmentation example problem from start to finish using best practices.

Instalación de Slidl y sus depredaciones

SliDL can also be installed via the Python Package Index (PyPI):

 pip install slidl

Ejecutando el tutorial Slidl

Primer clon este repositorio:

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

El tutorial utiliza un ejemplo de WSIS de los ganglios linfáticos de subconjunto del desafío Camelyon16. Algunos de estos WSI contienen metástasis en el cáncer de mama y el objetivo del tutorial es usar SlidL para entrenar modelos de aprendizaje profundo para identificar portaobjetos y regiones de diapositivas que contienen metástasis, y luego evaluar el rendimiento de esos modelos.

Create a directory called wsi_data where there is at least 38 GB of disk space. Download the following 18 WSIs from the CAMELYON16 dataset into wsi_data :

• 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

Install Jupyter notebook into slidl-env :

 conda install -c conda-forge notebook

Now that the requisite software and data have been downloaded, you are ready to begin the tutorial, which is contained in the Jupyter notebook slidl-tutorial.ipynb in this repository. Inicie el cuaderno y luego navegue a ese documento en la interfaz:

 jupyter notebook

Once up and running, slidl-tutorial.ipynb contains instructions for running the tutorial. Para obtener instrucciones sobre cómo ejecutar cuadernos Jupyter, consulte la documentación de Jupyter.

Los resultados de una ejecución tutorial completa se pueden encontrar aquí.

La implementación de la arquitectura de segmentación U-Net contenida en este repositorio y algún código de segmentación relacionado proviene del proyecto de código abierto de Milesial.

Documentación

The complete documentation for SliDL including its API reference can be found here.

Descargo de responsabilidad

Tenga en cuenta que este es el software de prevenimiento. Por favor, use en consecuencia.