保姆级教程，带你复现病理AI的经典模型CLAM（一）｜项目复现·24-08-19

已于 2024-09-10 17:25:18 修改
阅读量7.9k 收藏 77
点赞数 52
文章标签： 人工智能 医学人工智能 病理AI CLAM 弱监督学习
于 2024-08-19 07:37:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45404805/article/details/141305149
版权

小罗碎碎念

推文概述

复现CLAM的第一期推文

通过这期推文你首先会学会如何在服务器端使用jupyter编程，比你用其他的编译器（例如PyCharm、VS）会更加的清晰，对新手也更友好。

接着我会介绍如何进行数据预处理，以及你应该如何准备自己的数据；随后我会介绍如何对WSI进行分割并切成patches；最后，我会讲解如何利用切片级的标签进行特征提取。

注意，我这篇推文的数据只用了两张切片，前面这些步骤是没有影响的，如果想要进行后面的步骤，两张切片是不够的，因为要划分训练集、验证集和测试集。

这篇推文是所有后续项目复现的基础，一定要掌握这个流程。

如果想了解文献具体讲了什么内容，可以移步我的另一篇推文

CLAM：病理AI发展里程碑，建议每一个研究病理AI的人都了解的文章｜24-08-16

模型概述

CLAM

了解本专栏 订阅专栏 解锁全文
从零开始完成一个病理AI项目需要经历的7个流程｜项目复现·25-01-22
罗小罗同学的博客
01-22 1306
数字病理学和人工智能的发展使得分析千兆像素全幅切片图像（WSIs）进行客观诊断、预后和治疗反应预测成为可能。然而，深度学习方法在处理WSIs时面临数据量大、标注成本高、领域适应性和可解释性差等挑战。现有的深度学习方法要么需要手动标注WSIs，要么依赖大量带有切片级标签的数据集，这在罕见诊断和临床试验中难以实现。此外，现有方法在处理不同来源和成像设备的图像时表现不佳，且缺乏对多类分类问题的支持。
无需编程基础，也能完成病理AI项目的保姆级教程｜项目复现·25-02-17
罗小罗同学的博客
02-17 429
动手前必读上周哈佛Mahmood Lab课题组上线了一个新的仓库，最近的更新时间为两天前，我稍微做了一些测试，效果很好，下图是我小批量测试的效果，，大家可以看看效果如何。！，我们通过这个项目，可以，小罗也会在后续的推文中继续分享我对这个项目的发掘，争取做到你们拿到就能上手的程度，所以为了防止错过小罗的更新，记得及时点个关注！官方流程比较简约，例如上图使用的模型是UNI，但是这个是受限访问的模型，，所以我在官方教程的基础上做了详细的补充！此外，。
病理AI领域的基础模型汇总｜顶刊速递·24-11-11
罗小罗同学的博客
11-11 1742
这篇文章介绍了一种名为CONCH的视觉语言基础模型，通过对比学习从大量组织病理学图像和文本描述中进行预训练，实现了在多种病理学任务上的零样本学习和优异性能。CONCH模型在14个不同的基准测试中进行了评估，包括图像分类、分割、描述和文本到图像及图像到文本的检索任务，均取得了最先进的性能。CONCH模型的预训练使用了超过117万个图像-标题对，这些数据来自不同的组织病理学图像、生物医学文本等。在预训练过程中，模型通过对比学习目标和标题生成目标，将图像和文本模态在模型的表示空间中对齐。这使得。
window系统复现CLAM，跑通700G-CAMELYON16
m0_69457995的博客
10-26 3489
clam计算病理学CLAM复现
CLAM [特殊字符] StreamingCLAM，弱监督学习助力基底细胞癌诊断
罗小罗同学的博客
04-14 788
这篇文章聚焦于医学AI在基底细胞癌（BCC）诊断领域的应用。BCC发病率的急剧上升给病理诊断工作带来沉重负担，传统诊断方式依赖大量人工标注，效率低下且容易出错。在此背景下，文章提出了一种基于弱监督学习的创新方法，旨在利用AI技术提升BCC诊断的效率与准确性。文章详细介绍了两种关键模型CLAM和StreamingCLAM，并对它们进行了深入对比。研究人员使用了大规模的数据集，包括5147张图像用于训练和验证，以及在内部949张图像、外部183张图像和公共测试集上进行测试。
跑通CLAM
qq_51708215的博客
01-27 572
记录一下自己在服务器上面跑CLAM，因为自己的电脑配置不行，所以在服务器上面搭建了环境来跑CLAM。总的来说还是一次不错的收获，不仅学习了整个的过程，还学到了linux系统的很多操作。也不知道这个要跑多久。
记录一下复现CLAM
weixin_45577358的博客
04-08 3274
记录了本人复现CLAM的过程，之后做实验准备预处理数据可能都会用到CLAM。
CLAM复现-安装环境和运行
jxloveysq的博客
09-22 1387
在安装opensilde的问题 openslide安装（windows10）_我是否忽略了什么-CSDN博客https://blog.csdn.net/jiachang98/article/details/104506188?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-4.no_search_link&depth_1-utm_source=distribute.pc_relevan
（CNS复现）CLAM——Chapter_00
热门推荐
qq_40966210的博客
05-30 2万+
（CNS复现）CLAM——Chapter_00 文章目录（CNS复现）CLAM——Chapter_00前言一、CLAM介绍环境配置二、官方使用步骤Step.00 : Down_Load_DataSetStep.01 : WSI Segmentation and PatchingStep.02 : Feature ExtractionStep.03 : data splitStep.04 : trainingStep.05 : evalStep.06 : Heatmap Visualization总结 前
（CNS复现）CLAM——Chapter_02
qq_40966210的博客
05-31 4670
（CNS复现）CLAM——Chapter_02 文章目录（CNS复现）CLAM——Chapter_02前言Step-01: importsStep-02:初始化配置信息Step-03:调试代码Step-03.01 初始化配置文件Step-03.02 初始化WSIStep-03.03 初始化分割patch参数Step-03.04 patch 分割步骤解读 前言 （CNS复现）CLAM——Chapter_00 （CNS复现）CLAM——Chapter_01 这一部分主要是针对数据预处理的了解 create_
（CNS复现）CLAM——Chapter_03
qq_40966210的博客
06-01 5073
（CNS复现）CLAM——Chapter_03 文章目录（CNS复现）CLAM——Chapter_03前言Step-01: importsStep-02:初始化配置信息Step-03:调试代码Step-03.01初始化函数Step-03.02 初始化模型Step-03.03 主函数调试总结 前言 （CNS复现）CLAM——Chapter_00 （CNS复现）CLAM——Chapter_01 （CNS复现）CLAM——Chapter_02 在上一个章节中讲到一个很重要的点就是: 由于每一个WSI的大小是不
一个全自动病理处理分析工具——CLAM
qq_42894217的博客
07-19 5174
CLAM是一种基于深度学习的数据高效、弱监督的全幻灯片（WSI）级的全自动分析工具， 是一种高通量且可解释的方法，使用WSI级标签对整个WSI图像 进行数据高效分类，可自动识别WSI中的组织区域，并提取patch坐标，并自动提取patch级别的特征，但并不真正对patch进行提取和保存，减少计算资源的消耗和内存的占用，可在无需进行ROI标注或者patch级别标签的情况下，基于注意力机制和多示例学习自动识别具有高诊断价值的patch，进而实现整个WSI的实例级别分类。
CLAM:完整幻灯片图像上的高效数据和弱监督计算病理学
04-14
蛤 整个幻灯片图像上的数据高效和弱监督计算病理学。 自然生物医学工程 | | | TL; DR： CLAM是一种高通量且可解释的方法，可使用幻灯片级别的标签对数据进行有效的整个幻灯片图像（WSI）分类，而无需任何ROI提取或补丁级别的注释，并且能够处理多类子类型化问题。 经过训练的模型在三个不同的WSI数据集上进行了测试，可适应WSI切除和活检以及智能手机显微镜图像（显微照片）的独立测试队列。 CLAM：基于深度学习的管道，可进行高效数据和无监督的全幻灯片级别分析 ••••••••预打印•演示•引用 CLAM如何工作？ 聚类约束的注意力多实例学习（CLAM）是一种基于深度学习的弱监督方法，该方法使用基于注意力的学习来自动识别具有较高诊断价值的子区域，以便准确地对整个幻灯片进行分类，同时还利用实例代表区域上的高级别聚类，以约束和完善特征空间。 :copyright: Mahmood Lab-此代码在GP
全网最详细·教你从零复现【人工智能病理】项目的保姆级教程
罗小罗同学的博客
03-18 1738
这期推文来盘一盘如何从零开始复现一个深度学习的项目，我选择的项目是与的。挑选好项目以后，可以建立一个简单的思维导图辅助我们梳理架构，首先要关注的，就是我红框选出来的两个文档。
CLAM——论文笔记
weixin_41693877的博客
05-30 9411
最近看了一篇有关多示例学习的paper，题目为Data Efficient and Weakly Supervised Computational Pathologyon Whole Slide Images，对里面提出的模型比较感兴趣，特此做一下笔记。 github地址：https://github.com/mahmoodlab/CLAM paper地址：https://arxiv.org/abs/2004.09666 笔记 这篇paper提出了一个Clustering-constrained Atten
CLAM：基于全幻灯片图像的数据高效和弱监督的计算病理学
weixin_37856444的博客
08-18 4349
CLAM模型的流程 1.
CLAM：病理AI发展里程碑，建议每一个研究病理AI的人都了解的文章｜24-08-16
罗小罗同学的博客
08-15 5216
这篇文章提出了一种名为CLAM（Clustering-constrained-attention multiple-instance learning）的高通量深度学习框架，用于解决全幅切片图像（WSIs）计算病理学中的关键挑战。一作&通讯作者单位Ming Y. Lu研究背景问题：数字病理学和人工智能的发展使得分析千兆像素全幅切片图像（WSIs）进行客观诊断、预后和治疗反应预测成为可能。然而，深度学习方法在处理WSIs时面临数据量大、标注成本高、领域适应性和可解释性差等挑战。
CLAM 开源项目使用教程
gitblog_00500的博客
08-21 944
CLAM 开源项目使用教程 CLAMData-efficient and weakly supervised computational pathology on whole slide images - Nature Biomedical Engineering项目地址:https://gitcode.com/gh_mirrors/cl/CLAM 1. 项目的目录结构及介绍 CLAM 项目的目...
Clam 开源项目使用教程
gitblog_00277的博客
09-07 506
Clam 开源项目使用教程 clamStatic Analyzer for LLVM bitcode based on Abstract Interpretation项目地址:https://gitcode.com/gh_mirrors/cla/clam 1、项目介绍 Clam 是一个开源的程序分析工具，主要用于静态分析和验证C/C++代码。它基于SeaHorn框架，能够帮助开发者检测代码中的潜...
clam复现
最新发布
05-10
### 关于CLAM的复现步骤 #### 安装依赖环境 为了成功复现CLAM，首先需要搭建合适的开发环境。这通常涉及Python版本的选择以及必要的库安装。推荐使用Anaconda来管理虚拟环境和包依赖关系[^1]。 ```bash # 创建并激活一个新的Conda环境 conda create -n clam_env python=3.7 conda activate clam_env # 安装所需的Python库 pip install numpy pandas scikit-learn torch torchvision matplotlib h5py ``` #### 数据准备 CLAM框架主要用于处理全切片图像（Whole Slide Images, WSI），因此数据集的准备工作至关重要。以CAMELYON16为例，在完成下载后需提取特征向量作为模型输入[^3]。 在`CLAM-master`目录下创建名为`FEATURES_DIRECTORY`的新文件夹，并在其内部进一步构建子文件夹`tumor_vs_normal_resnet_features`用于存储预计算好的ResNet特征表示： ```plaintext CLAM-master/ ├── FEATURES_DIRECTORY/ │ └── tumor_vs_normal_resnet_features/ └── ... ``` #### 配置参数与训练模型 调整配置文件中的各项超参设定值以便适配特定任务需求。通过命令行界面启动实验脚本执行端到端流程包括但不限于滑动窗口采样、注意力机制学习过程等核心环节[^2]。 ```python from pathlib import Path features_dir = Path('FEATURES_DIRECTORY/tumor_vs_normal_resnet_features') train_data_path = features_dir / 'train' val_data_path = features_dir / 'val' # 假设已定义好其他必要变量如model_type, bag_loss等... command_template = f'python main.py --data_root {str(features_dir)} \ --results_dir results --split_dir splits/camelyon_splits \ --model_size small --model_type {model_type} --bag_loss {bag_loss}' print(command_template) ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值