病理小白进阶-1：病理科常见开源神器，轻松玩转数字病理分析

• 任务
  同时分割+分类细胞核，癌症分级精准度UP！
• 论文
  MICCAI 2019顶会认证

HoVer-Net是一种用于多组织显微图像中细胞核 实例分割和分类 的多分支网络模型。它通过利用 细胞核像素的水平和垂直距离来区分聚集的细胞 ，并使用专门的上采样分支对每个分割实例进行核类型的分类。该模型在多个公开数据集上展现出优异的分割和分类性能，适用于不同类型的组织病理图像。

• 特点和优势

• 同时分割与分类：

在单个网络中完成细胞核的实例分割和类型分类，提高了效率。

• 有效处理聚集细胞：

通过预测水平和垂直距离图，能够更好地分离密集聚集的细胞核。

• 适用于多种组织类型：

经过在多组织数据集上的训练，可以应用于不同类型的组织病理图像。

• 高精度：

在多个公开数据集上展现出优异的分割和分类性能。

• 可扩展性：

支持处理单个图像tile和全幻灯片图像（WSI）。

• github代码

https://github.com/vqdang/hover_net

• 任务
  仅需切片级标签，自动定位病变区域
• 场景
  胃癌/乳腺癌亚型分类，缓解标注压力
  
  

CLAM（Clustering-constrained Attention Multiple Instance Learning）是一种基于深度学习的弱监督学习方法，主要用于全幻灯片图像（Whole Slide Image, WSI）的分析和分类。

• 工作原理

1. 自动分割 ：CLAM首先对全幻灯片图像进行 自动分割 ，识别出组织区域。这通常涉及到将图像转换到HSV颜色空间，并使用饱和度通道进行阈值处理，以提取组织区域。

2. 特征提取 ：在分割之后，CLAM利用深度卷积神经网络（如ResNet50）为每个分割出的补丁计算 低维特征表示 。

3. 注意力机制 ：CLAM使用注意力机制来确定每个补丁对最终切片级预测的贡献程度。这涉及到计算每个补丁的不归一化注意力分数，并将其转换为百分位数分数，然后缩放到0到1.0之间。

4. 实例级聚类 ：CLAM使用 实例级聚类来约束和优化特征空间 。具体来说，CLAM模型有多个并行的注意力分支，每个分支计算一个独特的切片级表示，该表示由网络视为多类诊断任务中某一类的强阳性证据的高度关注区域确定。

5. 分类预测 ：每个类别特定的切片表示被分类层检查，以获得整个切片的最终概率分数预测。

• 优势

1. 数据高效 ：CLAM只需要切片级标签，不需要像素级或补丁级注释，这使得它能够在训练数据有限的情况下取得良好的性能。

2. 可解释性 ：通过注意力机制，CLAM能够识别出对最终预测贡献最大的区域，从而提供了一定程度的可解释性。

3. 高通量 ：CLAM能够处理大规模的全幻灯片图像数据，适用于高通量的病理分析。

⚠️ 避坑提醒

1. 数据合规
   患者隐私数据需脱敏处理
2. 硬件要求
   WSI分析需要GPU+大内存
3. 模型解释性
   医疗AI需可解释，避免黑箱风险