社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

零基础复现Radiology、ER等SCI--OnekeyAI影像组学+深度学习+病理组学培训班

Biomamba 生信基地 • 10 月前 • 250 次点击  
我们给大家组建了影像组学交流群,可添加客服微信加群,已有生信基地联系方式的同学无需重复添加):
图片
以下培训内容为非代码操作平台,希望通过代码实现影像组学分析的同学可参考:
影像组学学习手册
基于深度学习的图像分类任务

时间花了,精力投了,但卡在数据分析、算法选择、论文构思上的您,是否开始怀疑自己的科研能力?停止自我怀疑!
✅零基础!零基础!零基础
OnekeyAI平台,只需三步,跑通影像组学。
✅不知道做啥?好不容易想出idea,一查文献,发现别人做过了?
做过500+项目的老师授课,带你理清科研思路,做出自己SCI的差异化
✅做完后,担心组稿写作问题?
OnekeyAI平台一键生成Methods,Results,助力论文组稿
💡适合人群
👉临床医生:急需快速产出科研成果晋升副高/正高
👉研究生:卡在课题瓶颈期,急需一篇SCI毕业
👉科研人员:想突破传统影像分析,抢占多组学交叉研究先机
图片

一、案例参考文献
MRI结合病理切片预测鼻咽癌预后




图片
图片
图片


图片











一、数据来源


·影像数据:治疗前多参数MRI(T1WI、T2WI FS、CE T1WI FS序

列),来自鼻咽癌原发肿瘤分割。


·病理数据:活检标本的数字化全切片图像(WSI,40×放大),包

坏死、WHO分型、肉瘤样细胞等病理特征。


·临床数据:TNM分期、治疗方式等。


·基因组数据:外部独立队列(16例)的508基因面板测序,用于探索影像特征与染色质重塑通路基因突变的关联。


研究的医学问题


·目标:改善鼻咽癌(NPC)的预后预测准确性,解决传统TNM分期和病理分型无法解释的预后异质性问题。

·终点指标:无病生存期(FFS)。


二、影像和临床资料的升级方向及Onekey平台实现方案

1. 影像组学升级方向

技术升级方向:

多序列融合:整合更多MRI序列(如DWI、DCE-MRI)或多模态影像(如CT、PET),提升特征丰富性。


3D/多尺度特征提取:从2D切片升级为3D卷积神经网络(如3D ResNet),捕捉空间层次信息。


深度学习模型优化:使用Transformer架构(如ViT)替代传统CNN,增强全局与局部特征建模能力。


弱监督/自监督学习:利用未标注数据(如健康组织)预训练模型,提升小样本泛化能力。


Onekey组件:


Solution19(多组学监督学习):支持多分类病理组学与影像组学的联合建模。


多序列融合组件:通过multi_model_mix配置多模态影像(如CT+DWI),直接复制融合特征(如论文中的2364维特征)。


3D卷积组件:需自定义model_config中引入3D网络(如3D_ResNet),但需注意计算资源消耗。


2. 临床资料升级方向

技术升级方向:


临床特征扩展:纳入更多治疗相关变量(如放疗剂量分布、化疗周期)或患者特异性因素(如EB病毒DNA载量)。


动态临床数据:从静态基线数据升级为治疗过程中动态采集的指标(如中期MRI响应)。


临床-影像-病理联合建模:通过交互特征(如放疗剂量与肿瘤体积的乘积项)挖掘深层关联。


Onekey组件:


动态数据组件:需在data_preprocessing中定义时间序列字段(如time_point),并配置分组对比(如group_by)。


交互特征生成:通过feature_engineering模块自定义临床与影像特征的交叉项(如radiation_dose * tumor_volume)。






例:同学见刊 IF=14.3
纵向MRI驱动的多模态方法预测乳腺癌的病理完全反应



图片
图片

图片






二、案例参考文献

CT图像的2D,2.5D,3D深度学习预测胸膜侵犯






图片
图片







一、复现该研究用到的 Onekey 组件概览

1. 数据预处理与裁剪组件

OKT.crop:用于裁剪最大截面(max ROI)、流周区域(peritumoral region)、外扩区域等。

OKT.mask:生成掩膜,指定是否只保留 ROI 或流周区域(如 mask=2 表示只保留流周)。

OKT.convert:用于斜截面裁剪,支持多视角(横断、冠状、矢状、斜切面)。axis3D:用于 3D 区域裁剪,生成 3D 区块数据。

2. 数据划分与建模组件数据划分组件:用于生成训练集、验证集、测试集划分。

word 组件:用于训练深度学习模型(如 ResNet-50、3D-ResNet 等)。

特征提取组件:从模型中提取倒数第二层特征(如feature_extract)。

可视化组件:用于生成 ROC 曲线、热图、特征图等。


3. 模型评估与融合组件

指标汇总组件:计算 AUC、准确率、灵敏度、特异性等。

模型融合组件:支持 stacking、blending 等后融合策略。

多实例学习(MIL)组件:适用于多病灶或区域融合场景。


4. 配置与主题组件

onekey_style:用于配置图表样式、配色方案,保证输出一致性。


三、总结表格


模块



所用组件



升级方向



数据预处理



OKT.crop,  okT.mask, okT.convert



多视角、多区域、多序列



模型训练



word, feature_extract



ViT、Transformer、多任务



评估与可视化



指标汇总、ROC、热图



可解释性分析、生存曲线



流程组装



配置文件、pipeline 组装



自动化、可复现、并行化






例:同学见刊     IF =10.1
CT结合多通道2.5D深度学习预测肺癌新辅助化疗后主要病理反应


图片
图片
图片
图片




三、案例参考文献
病理图像结合深度学习的分类器预测微卫星不稳定




图片


图片





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。


例:同学见刊  Q1
病理切片结合深度学习预测原位肺鳞状细胞癌淋巴结转移   




图片

图片

图片



医学影像组学+深度学习+病理组学人工智能应用培训班
时间:2026年 2 月 6- 8日远程在线授课



邀请函

各企事业单位、高等院校及科研院所:

随着影像组学和人工智能尤其是视觉技术的高速融合,影像组学延伸领域也随之高速增长,同时也推动了人工智能技术在医学科研应用领域快速地发展,相关科研成果和学术论文数量逐年激增,医学影像组学涉及的技术如数据处理、病灶识别、自动病灶勾画、病灶特征提取和筛选、模型构建和临床信息解析越来越趋于分析流程化,工具化,为解决医生们在临床科研实践中提岀越来越多的参考方法。

   北京宏盛元亨文化交流中心特举办“医学影像组学人工智能应用培训班”,并与北京奇点伏流信息科技有限责任公司共同承办。本次培训将对前沿的影像组学及人工智能应用案例进行快速解构,帮助学员快速实践影像组学临床应用方法,加快临床和科研工作中的人工智能方法的实现落地。



培训优势

依托300+实验实践经验和辅助发表200余篇SCI,其中20余篇一区顶刊的经验,通过集成好的组学工具,零基础直接输出论文初稿。

01

给工具



即插即用式平台工具OnekeyAI,数据处理、模型适配,低代码一站式实现组学任务。


02

给速度



给速度,特征提取、建模,统计分析,绘制ROC,DCA,校准曲线等图表一键执行,体验三天一篇SCI。


03

给思路



解构中科院一区,二区,三区文章100+,讲解技术路线的具体应用。


04

给方案



SCI多维度拆解,从0到1拆解论文步骤,实验方案,具体实操。


05

给福利



后续每周训练营SCI讲解,10小时的标书热点方向视频讲解,300+SCI论文,100小时各种论文构思拆解回放全部免费送。


06

给数据



提供10G+的影像,病理,超声,临床等多态练习数据。



培训时间






2026年 2 月 6 日 -- 8 日远程在线授课

(开课前一天帮助学员安装 OnekeyAI平台,后三天授课)。



图片
课程大纲



图片
图片
图片
图片


图片






工具实操结果呈现






图片



学员反馈


图片
图片
图片

图片


学员见刊论文







图片


(IF=6.5,2.5D深度学习)祝贺同学IJROBP中科院一区见刊:整合临床信息、医学文本及2.5D深度学习特征预测肺癌放射性肺炎

(IF=10.1)祝贺同学Q1见刊:MRI瘤内及瘤周生境影像组学预测口腔鳞状细胞癌新辅助化疗免疫治疗病理完全缓解

IF=8,热烈祝贺同学NPJ见刊 : 结合多通道二维或三维深度学习的亚区域影像组学预测食管鳞状细胞癌新辅助化疗免疫治疗反应

(IF=14.3,生境+SHAP)祝贺同学中科院一区见刊:基于双能量CT的血栓异质性评估在预测卒中来源及机器取栓反应中的应用

(IF=10.6,多组学)热烈祝贺同学见刊:基于注意力机制融合多组学与影像时序特征预测NSCLC新辅助免疫化疗主要病理反应

(IF=4.7,生境+多通道深度学习)祝贺同学中科院二区见刊:基于双通道深度学习的CECT瘤内异质性用于胸腺肿瘤风险分层

(IF=7.6,生境+2.5D深度学习)祝贺同学中科院一区见刊:生境放射组学与2.5D深度学习预测食管鳞癌新辅助治疗反应及生存

祝贺同学academic radiology中科院二区见刊:生境+1mm,3mm,5mm瘤周+SHAP可解释性做直肠癌转移预测




培训费用







每人 4300 元(含培训费、资料费、组学实验平台费)。


图片


联系Biomamba咨询OnekeyAI,备注影像组学

图片

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/192230