一、复现详细步骤分解
第一阶段:数据准备与标注 (Data Preparation & Annotation)
数据收集与整理
格式要求:收集胃癌的WSI(Whole Slide Image)数据,格式必须为标准的 .svs, .mrxs, .ndpi, .tif。
非标准格式(如.vsi, .qdc 等)需联系扫描仪厂商进行转换。
文件命名:确保文件名和路径不包含任何中文,否则可能导致处理失败。
数据量建议:≥100个样本,理想情况300+,多中心数据更佳。
区域标注(可选,但推荐做)
工具:使用QuPath (版本建议0.3.8)。
标注内容:粗略勾画肿瘤区域(Tumor Region)。讲座强调病理标注无需像素级精确,勾勒大致轮廓即可,每个样本约30秒。
导出:标注完成后,导出为GeoJSON 格式。导出时务必选择
Export as Feature Collection。
硬件要求:此步骤非常消耗内存,建议电脑配置≥64GB RAM。极大数据需要1TB内存的服务器。
第二阶段:数据预处理 (Data Preprocessing)
裁剪Patch
工具:
Onekey 中的 Crop WSI to Patch。
关键参数:
patch_size: 通常设置为 512。
level: 放大倍率,通常设置为 20 (与TCGA数据一致)。
number_process: 并行进程数,建议设置为CPU核心数的1/4,以避免死机。
输出:每张WSI被切割成成千上万个小图像块(patch)。
删除无意义区域
工具:Onekey 中的 Patch to Predict。
目的:根据亮度阈值(默认214/255)自动过滤掉白色背景等无组织区域,减少干扰。
注意
:可配合CNN模型工具进一步清理,但少量残留无关紧要。
颜色标准化(Color Normalization)
工具:Onekey 中的 Patch Normalize。
目的:消除不同中心、不同染色批次带来的颜色差异,提升模型泛化能力。
方法选择:
Macenko_fast: 速度最快,效果尚可。
Macenko: 速度慢,效果最好。
注意:此步骤非常耗时(可能数天),但文献表明其通常能提升性能。如果计算资源紧张,可以考虑跳过。
第三阶段:模型训练与对比 (Model Training & Comparison)
数据集划分
原则:必须按患者(Patient) 级别划分训练集、验证集和测试集,绝不能按Patch划分,以避免数据泄露。
操作:在Onekey的解决方案配置中指定划分比例(如70%训练,30%测试)。
运行解决方案
核心工具:使用Solution 30,这是专门用于
有监督学习与弱监督学习对比的完整流程。
配置:
在配置文件中指定预处理后的data_pattern(数据路径)。
有监督学习需指定supervised_label(即你标注的类别名,如"tumor")。
选择模型(如ShuffleNet, ResNet等),建议尝试3-5个。
设置训练迭代次数(
epochs,建议30-50)。
执行:解决方案会自动运行以下流程:
有监督训练(使用标注的肿瘤区域Patch)
弱监督训练(使用整个WSI的所有Patch,仅需图像级标签)
分别评估两种方法的Patch级和WSI级(通过MIL聚合)性能。
生成对比结果(AUC等指标)。
第四阶段:结果生成与论文撰写
(Result Generation & Paper Writing)
结果可视化
使用Onekey中的可视化工具生成热力图(Heatmap),显示模型关注的区域,用于解释和论文插图。
自动生成论文
工具:Onekey 中的 Paper 功能。
操作:将Solution 30 运行完成的整个目录路径输入。
输出:平台会自动生成包含【方法】、【结果】、【图表标题和注释】 的论文初稿。该方法学部分会根据你实际使用的组件和参数动态生成。
注意:生成的论文是初稿,Introduction和Discussion部分仍需自己撰写,图表和文字也需要人工润色和调整。