lingxitong/MIL_BASELINE

해결하는 문제

계산 기반 병리학은 전통적인 이미지 분석 방법으로는 너무 크기 때문에 (수십억 픽셀 이상) 처리하기 어려운 병리 이미지를 분석하는 분야입니다. 이 프로젝트는 이러한 거대한 이미지를 다루는 데 주로 사용되는 다중 인스턴스 학습(MIL)을 위한 통합적이고 표준화된 라이브러리를 제공합니다. 다양한 MIL 방법들 사이의 분산된 프레임워크와 일관되지 않은 구조 문제를 해결하여 연구 및 재현 가능성을 쉽게 만듭니다.

작동 방식

이 라이브러리는 다양한 MIL 아키텍처를 하나의 프레임워크에 통합합니다. 워크플로우를 명확한 단계로 분리합니다:

1. 특징 추출: ResNet50, ViT-S, 그리고 UNI, Virchow와 같은 전문 병리학 모델과 같은 다양한 백본을 지원하여 대규모 이미지를 특징 벡터로 변환합니다.
2. 데이터셋 관리: 데이터셋 정의를 위한 통일된 CSV 인터페이스를 사용하며, 훈련, 검증, 테스트 세트로 데이터를 분할하는 여러 스크립트를 제공합니다 (K-겹 옵션 포함).
3. 모델 훈련: 사용자는 YAML 파일을 통해 모델을 구성하고 표준화된 훈련 스크립트 (train_mil.py)와 테스트 스크립트 (test_mil.py)를 실행합니다.
4. 시각화: t-SNE 차원 축소 맵과 주의 히트맵을 생성하는 도구를 포함하여 모델의 결정을 해석할 수 있습니다.

대상 사용자

전체 슬라이드 이미지(WSI)에서 다양한 다중 인스턴스 학습 모델을 구현, 비교, 평가하기 위해 표준화된 기준을 필요로 하는 계산 기반 병리학 분야의 연구자 및 실무자입니다.

주요 특징

• 풍부한 모델 자료실: AB-MIL, CLAM, TransMIL 및 최신 Mamba 기반 및 그래프 기반 아키텍처를 포함한 방대한 MIL 네트워크를 구현합니다.
• 통합 인터페이스: 데이터셋 로드 및 모델 구성 방식을 표준화하여 다양한 MIL 방법 간의 간편한 교체를 가능하게 합니다.
• 포괄적인 메트릭: AUC, F1, 정확도, 균형 정확도, 카파 점수를 내장된 지원 기능으로 제공합니다.
• 기반 모델 통합: GigaPath 및 CONCH와 같은 최첨단 병리학 기반 모델을 사용한 특징 추출을 지원합니다.