machine_learning

# 机器学习 ## 概述 PathML 为计算病理学提供全面的机器学习能力，包括用于细胞核检测和分割的预构建模型、PyTorch 集成训练工作流、公共数据集访问以及基于 ONNX 的推理部署。该框架将图像预处理与深度学习无缝连接，实现端到端的病理机器学习流水线。 ## 预构建模型 PathML 包含用于细胞核分析的最先进预训练模型： ### HoVer-Net **HoVer-Net** (水平和垂直网络) 执行同步的细胞核实例分割和分类。 **架构：** - 具有三个预测分支的编码器-解码器结构： - **核像素 (NP)** - 核区域的二值分割 - **水平-垂直 (HV)** - 到细胞核质心的距离图 - **分类 (NC)** - 细胞核类型分类 **细胞核类型：** 1. 上皮细胞 2. 炎症细胞 3. 结缔组织/软组织 4. 死亡/坏死 5. 背景 **用法：** python from pathml.ml import HoVerNet import torch # 加载预训练模型 model = HoVerNet( num_types=5, # 细胞核类型数量 mode='fast', # 'fast' 或 'original' pretrained=True # 加载预训练权重 ) # 如果可用则移动到 GPU device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = model.to(device) # 对切片进行推理 tile_image = torch.from_numpy(tile.image).permute(2, 0, 1).unsqueeze(0).float() tile_image = tile_image.to(device) with torch.no_grad(): output = model(tile_image) # 输出包含： # - output['np']: 核像素预测 # - output['hv']: 水平-垂直图 # - output['nc']: 分类预测 **后处理：** python from pathml.ml import hovernet_postprocess # 将模型输出转换为实例分割 instance_map, type_map = hovernet_postprocess( np_pred=output['np'], hv_pred=output['hv'], nc_pred=output['nc'] ) # instance_map: 每个细胞核有唯一 ID # type_map: 每个细胞核被分配一个类型 (1-5) ### HACTNet **HACTNet** (分层细胞类型网络) 执行具有不确定性量化的分层细胞核分类。 **特性：** - 分层分类（从粗略到细粒度类型） - 预测的不确定性估计 - 改善了在不平衡数据集上的表现 python from pathml.ml import HACTNet # 加载模型 model = HACTNet( num_classes_coarse=3, num_classes_fine=8,