lingxitong/MIL_BASELINE

它解决了什么问题

计算病理学涉及分析病理图像，这些图像通常太大（数百亿像素）而无法使用传统图像分析方法。该项目提供了一个统一且标准化的多重实例学习（MIL）库，这是处理这些大规模图像的主要范式。它解决了不同MIL方法之间框架分散和结构不一致的问题，使研究和可复现性更加容易。

它如何工作

该库将各种MIL架构整合到一个统一的框架中。它将工作流程分为几个独立的阶段：

1. 特征提取：支持多种主干网络（如ResNet50、ViT-S以及专门的病理模型如UNI和Virchow），将大图像转换为特征向量。
2. 数据集管理：使用统一的CSV接口定义数据集，并提供多种脚本将数据划分为训练、验证和测试集（包括K折选项）。
3. 模型训练：用户通过YAML文件配置模型，并运行标准化的训练脚本（train_mil.py）和测试脚本（test_mil.py）。
4. 可视化：包含生成t-SNE降维图和注意力热图的工具，以解释模型决策。

适用人群

需要标准化基线来在全切片图像（WSIs）上实现、比较和评估不同多重实例学习模型的计算病理学研究人员和从业者。

主要亮点

• 丰富的模型库：实现了大量MIL网络，包括AB-MIL、CLAM、TransMIL以及最新的基于Mamba和图结构的架构。
• 统一接口：标准化了数据集加载和模型配置方式，便于轻松切换不同的MIL方法。
• 全面的评估指标：内置支持AUC、F1、准确率、平衡准确率和Kappa分数。
• 基础模型集成：支持使用最先进的病理基础模型（如GigaPath和CONCH）进行特征提取。