病理多示例学习仓库介绍（持续更新中）

开源项目介绍：MIL_BASELINE

项目概览

MIL_BASELINE 是一个集成了多种多实例学习方法（MIL）的统一框架库，旨在简化多实例学习模型的开发与应用。它不仅整合了多种MIL方法，还提供了统一的数据集接口和常用的数据集划分方法，使得用户可以轻松扩展和自定义功能。

更新日志

• 2024-07-20: 修复了除DTFD-MIL之外所有MIL模型的bug。
• 2024-07-21: 修复了DTFD-MIL和test_mil.py的bug。
• 2024-07-27: 修复了plip-transforms的bug。

功能特点

数据集统一接口

• 用户无论使用公共数据集还是私有数据集，只需提供相应的csv文件。

支持的数据集划分方法

• 用户自定义的Train-Val-Test划分。
• K折交叉验证的Train-Val划分。
• K折交叉验证的Train-Val-Test划分。

特征编码器

• 支持多种特征编码器，包括但不限于R50、VIT-S、CTRANSPATH、PLIP、CONCH、UNI和GIG等。

实现的网络

• 包括MEAN_MIL、MAX_MIL、AB_MIL等在内的多种MIL网络。

实现的评估指标

• 支持AUC、F1、准确率、召回率、Confusion Matrix等多种评估指标。

开始使用

代码框架

• /configs: 通过YAML配置文件定义MIL模型。
• /modules: 定义不同MIL模型的网络架构。
• /process: 定义不同MIL模型的训练框架。
• /feature_extracter: 支持不同的特征提取器。
• /datasets: 用户数据集路径信息。
• /utils: 框架的实用脚本。
• /train_mil.py: 框架的训练入口函数。
• /test_mil.py: 框架的测试入口函数。

数据预处理

• 支持OpenSlide和SDPC格式。
• 直接支持R50和VIT-S。
• 通过将模型权重推送到相应的文件夹来支持PLIP/UNI/CONCH/CTRANSPATH/GIG。

训练/测试MIL

• 在/configs中配置yaml文件，例如AB_MIL.yaml。
• 使用/train_mil.py进行训练，使用/test_mil.py测试预训练模型。

Git仓库

• 欢迎代码提交和贡献，共同推动项目发展。

项目链接

MIL_BASELINE GitHub仓库

结语

MIL_BASELINE是一个功能强大、灵活易用的开源库，适用于需要进行多实例学习的研究人员和开发者。它的设计哲学是简化复杂性、提高可扩展性，让使用者可以集中精力于模型的创新和实验。我们期待您的加入和贡献，共同推动多实例学习领域的发展。