lingxitong/MIL_BASELINE

何を解決するか

計算病理学には、従来の画像解析手法では扱いきれないほど巨大な（数千億ピクセルに及ぶ）病理画像を解析することが含まれます。このプロジェクトは、これらの巨大な画像を扱うための主要なパラダイムであるMultiple Instance Learning (MIL) のための、統一された標準化されたライブラリを提供します。これにより、異なるMIL手法間での断片化されたフレームワークや不整合な構造という問題を解決し、研究と再現性を容易にします。

仕組み

このライブラリは、多種多様なMILアーキテクチャを単一のフレームワークに統合しています。ワークフローを以下の明確なステージに分離しています：

1. Feature Extraction: さまざまなバックボーン（ResNet50、ViT-S、およびUNIやVirchowのような病理学に特化したモデル）をサポートし、大きな画像を特徴ベクトルに変換します。
2. Dataset Management: データセットの定義には統一されたCSVインターフェースを使用し、データをトレーニング、検証、およびテストセットに分割するための複数のスクリプト（K-foldオプションを含む）を提供します。
3. Model Training: ユーザーはYAMLファイルを通じてモデルを構成し、標準化されたトレーニングスクリプト (train_mil.py) とテストスクリプト (test_mil.py) を実行します。
4. Visualization: モデルの決定を解釈するためのt-SNE次元削減マップやアテンションヒートマップを生成するツールが含まれています。

対象者

ホールスライドイメージ (WSI) 上で異なるMultiple Instance Learningモデルを実装、比較、および評価するための標準化されたベースラインを必要とする、計算病理学の研究者および実務家。

ハイライト

• Extensive Model Zoo: AB-MIL、CLAM、TransMIL、および最新のMambaベースやGraphベースのアーキテクチャを含む、膨大な数のMILネットワークを実装しています。
• Unified Interface: データセットの読み込み方法とモデルの構成方法を標準化し、異なるMIL手法の容易な入れ替えを可能にします。
• Comprehensive Metrics: AUC、F1、Accuracy、Balanced Accuracy、およびKappaスコアを組み込みでサポートしています。
• Foundation Model Integration: GigaPathやCONCHのような最先端の病理学基盤モデルを使用した特徴抽出をサポートしています。