跑通CLAM测试部分

目标：

本篇博客的主要目的是关于如何跑通CLAM测试部分的代码，之前的博客中已经介绍了如何跑通训练部分的代码，链接如下：
https://blog.csdn.net/qq_34532413/article/details/124704759
近期通过进一步的学习得知，CLAM的主要部分在于第一阶段的特征提取，第二阶段的分类工作量较小。因而在CLAM测试部分的代码流程与训练部分类似：首先是切片以及提取特征，最后进行分类。以下将详细介绍CLAM的流程。

---

流程：

1、首先是将WSI图像进行切片，代码如下：

python create_patches_fp.py --source Test_WSI  --save_dir Test_WSI_Patch --patch_size 256 --seg --patch --stitch

2、随后进行特征提取，代码如下：

CUDA_VISIBLE_DEVICES=0,1 python extract_features_fp.py --data_h5_dir Test_WSI_Patch/ --data_slide_dir Test_WSI/ --csv_path Test_WSI_Patch/process_list_autogen_processed.csv --feat_dir Test_WSI_Feat/ --batch_size 512 --slide_ext .tif --pretrain checkpoint_0049.pth.tar

注意这里指明了预训练模型的权重参数，该参数为使用Moco预训练的ResNet50权重参数。
3、首先修改create_splits_seq.py中文件路径，如下所示

随后将数据集分别划分为训练集、验证集、测试集，并划分10次。

python create_splits_seq.py --task task_1_tumor_vs_normal --seed 1 --label_frac 0.7 --k 10

以上代码中”–k 10“表明对数据集划分10次，需要注意的是在划分时需要提供样本的标签否则无法完成划分，也即CLAM的测试必须提供标签，这是CLAM代码中的不足。
运行完成后会得到如下的划分数据集的.csv文件，其中之后会用到的是splits_i.csv(i = 0,1 … 9)

4、首先对eval.py数据集路径进行相应修改，代码修改如下：

随后运行eval.py进行交叉验证，代码如下：

CUDA_VISIBLE_DEVICES=0 python eval.py --drop_out --k 10 --models_exp_code Test_WSI --save_exp_code Test_WSI --task task_1_tumor_vs_normal --model_type clam_sb --results_dir results --data_root_dir Test_WSI_Feat/

上述参数中models_exp_code是指十折交叉验证的模型路径，此外还放置不同折的数据集拆分，如下图所示。

data_root_dir为提取的特征的存储路径。

总结

CLAM代码中的主文件（训练和测试代码文件）较为简单，难度在于有大量需要传入的参数，在把每个参数的意义明确后，很快便能理解透彻。