slidl tutorial
1.0.0
Slidl est une bibliothèque Python pour effectuer une analyse d'images d'apprentissage en profondeur sur les images à glissement entier (WSIS), y compris les tissus profonds, les artefacts et le filtrage d'arrière-plan, l'extraction des carreaux, l'inférence du modèle, l'évaluation du modèle et plus encore. Ce référentiel sert à enseigner aux utilisateurs comment appliquer SliDL sur une classification et un exemple de segmentation du début à la fin à l'aide des meilleures pratiques.
SliDL peut également être installé via l'index Python Package (PYPI):
pip install slidl
Premier cloner ce référentiel:
git clone https://github.com/markowetzlab/slidl-tutorial
Le tutoriel utilise un exemple WSIS du nœud lymphatique sous-ensemble du défi CAMEYON16. Certains de ces WSIS contiennent des métastases du cancer du sein et l'objectif du tutoriel est d'utiliser Slidl pour former des modèles d'apprentissage en profondeur pour identifier les diapositives et les régions de diapositives contenant des métastases, puis pour évaluer les performances de ces modèles.
Créez un répertoire appelé wsi_data où il y a au moins 38 Go d'espace disque. Téléchargez les 18 WSIS suivants à partir de l'ensemble de données CamelyOn16 dans wsi_data :
normal/normal_001.tifnormal/normal_010.tifnormal/normal_028.tifnormal/normal_037.tifnormal/normal_055.tifnormal/normal_074.tifnormal/normal_111.tifnormal/normal_141.tifnormal/normal_160.tiftumor/tumor_009.tiftumor/tumor_011.tiftumor/tumor_036.tiftumor/tumor_039.tiftumor/tumor_044.tiftumor/tumor_046.tiftumor/tumor_058.tiftumor/tumor_076.tiftumor/tumor_085.tif Installez le cahier Jupyter dans slidl-env :
conda install -c conda-forge notebook
Maintenant que les logiciels et les données requis ont été téléchargés, vous êtes prêt à commencer le tutoriel, qui est contenu dans le cahier Jupyter slidl-tutorial.ipynb dans ce référentiel. Démarrez le cahier, puis accédez à ce document dans l'interface:
jupyter notebook
Une fois opérationnel, slidl-tutorial.ipynb contient des instructions pour exécuter le tutoriel. Pour des instructions sur l'exécution des cahiers Jupyter, consultez la documentation de Jupyter.
Les résultats d'un didacticiel terminé peuvent être trouvés ici.
L'implémentation de l'architecture de segmentation U-Net contenue dans ce référentiel et un code de segmentation connexe provient du projet open source de Milesial.
La documentation complète de SliDL y compris sa référence API, peut être trouvée ici.
Notez qu'il s'agit d'un logiciel Prerelease. Veuillez utiliser en conséquence.
