【代码已开源】从QuPath标注到WSI组织分割

Harvey Chui

已于 2024-12-26 11:05:33 修改

阅读量922

点赞数 5

分类专栏：医学影像文章标签： pytorch 人工智能 python 图像处理

于 2024-12-25 14:30:01 首次发布

本文链接：https://blog.csdn.net/CalvinTri/article/details/144718457

版权

医学影像专栏收录该内容

3 篇文章

订阅专栏

【代码已开源】从QuPath标注到WSI组织分割，支持QuPath导出ROI区域Patch，实施Patch级别的组织/肿瘤区域分割

WSI Segmenter 是一个基于轻量化分割网络 DeepLab v3 架构的病理切片肿瘤区域分割工具，可实现切片中 ROI（感兴趣区域）的分割，支持 QuPath 软件（版本 >= 0.4.2）；该工具使用预训练的 ResNet 作为骨干网络，通过深度学习算法实现肿瘤区域分割。

仓库地址

https://github.com/HaoyuCui/WSI_Segmenter

功能介绍

病理切片的肿瘤区域分割（Patch-level的像素分割，低计算成本）
配合 QuPath 生成切片块与标注掩码
提供训练、可视化、预测的完整流程支持，可搭配Patch导出流程使用

安装

克隆本项目
运行 pip install -r requirements.txt

运行

QuPath中标注，并指定类别为Tumor
在 QuPath 中运行 make_tile_mask_pairs.groovy 生成Patch-Mask样本对。详情请参阅 image.sc

请确保已在 QuPath 中添加注释，并在脚本中指定参数

QuPath如何运行脚本文件？ - 参照这篇博客：link

运行该步骤后，你将看到以下文件夹结构：

├── /PATH/TO/DATA
│   ├── slide_1
│   │   ├── patch_1.jpeg  # tile
│   │   ├── patch_1.png  # mask
│   │   ├── ...
│   ├── slide_2
│   │   ├── patch_1.jpeg  # tile
│   │   ├── patch_1.png  # mask
│   │   ├── ...
│   ├── ...
│   └── slide_n
│       ├── ...
│       └── patch_n.png

示例结构可在 eg 文件夹中找到。

后缀：

原图为jpeg
掩膜为png

在这里插入图片描述

运行以下命令进行训练，并将训练过程可视化：
```
python -m visdom.server
```
```
python train.py --data_dir /PATH/TO/DATA --epochs 20
```
预测结果（上图）和Ground-truth（下图）将在 visdom 服务器中显示和刷新。

同样，也可以在导出Patch时使用，确保保存的Patch都位于ROI区域

import torch
from torchvision import transforms

def tile_contains_tumor(tile, seg_model, device, threshold_tumor=0.5):
    tile = tile.convert("RGB")
    tile = tile.resize((256, 256))
    tile = transforms.ToTensor()(tile).unsqueeze(0).to(device)
    with torch.no_grad():
        seg_model.eval()
        output = torch.sigmoid(seg_model(tile)['out']).mean()

    if output < threshold_tumor:
        return True
    else:
        return False
    
def TileExporter():
    # Tile/Patch导出代码
    pass

if __name__ == "__main__":
    # 载入模型
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    # 载入前面训练得到的权重文件
    model = torch.load(r'best.pt').to(device) 
    tiles = TileExporter()
    for tile in tiles:
        if tile_contains_tumor(tile, model, device):
            # 逻辑1
        else:
            # 逻辑2
    # 保存结果