首页 > 其他分享 >STST论文复现

STST论文复现

时间:2024-03-20 17:29:21浏览次数:31  
标签:论文 patches py STST train 复现 test Stain Translation

Pix2Pix-based Stain-to-Stain Translation: A Solution for Robust Stain Normalization in Histopathology Images Analysis

代码链接:artemis1919/Stain-to-Stain-Translation: Pix2Pix-based Stain-to-Stain Translation: A Solution for Robust Stain Normalization in Histopathology Images Analysis (github.com)

环境:tensorflow1.15

1.数据集准备

STST中使用的是成对的数据集,因此需要自己制作。

在 \Stain-to-Stain-Translation-master\1_preprocessing中,先执行mitos-extract_patches.py,将图片全部裁剪成合适的大小;再使用create_paired_patches.py制作成对数据集,这里的成对是指灰度图像和彩色图像是成对的;最后使用train_test_random.py划分训练集和测试集。

在mitos-extract_patches.py中我修改了一点,因为我的原始图像不能被256整除,因此先将图片resize到1280×1280后再进行切分。

执行结果如下:

create_paired_patches.py中需要修改range范围为图片数量,图片路径为自己数据集路径。

执行完成后得到的结果如下:

train_test_random.py中修改图片数量以及训练集train中的数量。train和test中的图片已经是随机选取并重新用序号命名的了。

至此,数据集制作已经完成。

2.加载数据开始训练。打开\Stain-to-Stain-Translation-master\2_model中的data_loader.py,注意修改load_batch_test和load_batch_train函数下的图片路径为自己的数据集路径。可以在stain-to-stain-translation.py中修改训练周期、训练批次、模型保存频率等参数,然后执行stain-to-stain-translation.py就可以开始训练了。

注意,这里的文件夹需要自己新建。

3.测试

使用Stain-to-Stain-Translation-master\3_using_stst中的test_stst.py,修改range为测试集数量。

load_data函数为读取测试集数据,需要修改路径为测试集路径。

plot_image函数为保存预测结果的函数,需要提前建立好文件夹。

测试结果发现Original文件夹下的图和test中一分为二的图颜色不一致,会偏黄,好像把红框中的去掉,并且将plot_image函数中的scipy.misc.imsave替换成plt.imsave就可以解决问题。

如果训练中出现同样的问题,可以将data_loader.py中的imread函数替换如下

4.评价指标

论文中的评价指标如下,可以在Stain-to-Stain-Translation-master\5_evaluation文件夹中找到计算方法,注意有些是在matlab中计算。

标签:论文,patches,py,STST,train,复现,test,Stain,Translation
From: https://blog.csdn.net/weixin_43934777/article/details/136856242

相关文章

  • 多模态大模型论文总结
    A survey of resource-efficient llm and multimodal foundation models大型基础模型,包括大型语言模型(LLM)、视觉变压器(ViT)、扩散和基于LLM的多模态模型,正在彻底改变从培训到部署的整个机器学习生命周期。然而,这些模型在多功能性和性能方面的实质性进步在硬件资源......
  • S2-066漏洞分析与复现(CVE-2023-50164)
    Foreword自struts2官方纰漏S2-066漏洞已经有一段时间,期间断断续续地写,直到最近才完成。羞愧地回顾一下官方通告:2023.12.9发布,编号CVE-2023-50164,主要影响版本是2.5.0-2.5.32以及6.0.0-6.3.0,描述中提到了文件上传漏洞和目录穿越漏洞。开始以为这是个组合漏洞,其实不是,这是一个......
  • Open Sora 发布!开源的高效复现类 Sora 视频生成方案
    不久前OpenAISora的发布可以说是震惊了世界,但是奈何目前OpenAI还未将Sora开放公测,但在昨天,我们却等来了OpenSora1.0的发布,这是Colossal-AI团队的一个完全开源的视频生成项目,致力于高效制作高质量视频,并使所有人都能使用其模型、工具和内容的计划。通过采用开......
  • 小论文
    软件质量属性指标在大型网络建设中的作用第一作者:刘晓阳(石家庄铁道大学,河北省,石家庄市)第一章引言1.研究背景随着互联网的快速发展,大型网站已成为商业、政府、媒体等领域不可或缺的存在。在大型网站建设中,软件质量属性的重要性愈发凸显。大型网站的成功与否,不仅取决于功......
  • Linux脏牛提权漏洞复现(DirtyCow)
    #简述脏牛(DirtyCow)是Linux中的一个提权漏洞。主要产生的原因是Linux系统的内核中Copy-on-Write(COW)机制产生的竞争条件问题导致,攻击者可以破坏私有只读内存映射,并提升为本地管理员权限。#前期准备靶机:vulnhub——Lampiao192.168.230.217攻击机:Kali192.168.230.128#复现......
  • 【PINet车道线检测】代码复现过程
    《KeyPointsEstimationandPointInstanceSegmentationApproachforLaneDetection》论文:https://arxiv.org/abs/2002.06604代码:GitHub-koyeongmin/PINet论文解读:http://t.csdnimg.cn/AOV91这是篇关于自动驾驶中车道检测技术的研究论文,标题为“KeyPointsEstimati......
  • snownlp的原始评论文件直方图分析
    SnowNLP是一个专门为处理中文文本而创建的Python自然语言处理库。它是由isnowfy开发并在GitHub上开源的一个项目,地址为 https://github.com/isnowfy/snownlp 。SnowNLP受TextBlob库的启发,但针对中文文本处理的特点进行了定制化设计,并且没有依赖NLTK(NaturalLanguage......
  • 高性能网站建设小论文
    高性能网站建设曾雨坤摘要:本文以《高性能网站建设指南》为核心理论依据,深入探讨了网站性能优化的关键策略和实法方法,简述了网站性能对用户体验及商业成功的重要性,并概述了该指南中提出的若干核心原则,如减少HTTP请求、利用CDN加速内容分发、实施缓存策略、压缩资源文件以及优化渲......
  • 论文解读:EfficientSAM: Leveraged Masked Image Pretraining for Efficient Segment A
    EfficientSAM:LeveragedMaskedImagePretrainingforEfficientSegmentAnything文章汇总前提必读(本文的基础模型):论文解读:SegmentAnything-CSDN博客问题SAM功能强大的原因是一个数据大,另一个encoder足够大足够强,但是也由于encoder足够的大所以不能做到实时分割,如Seg......
  • 基于Java中的SSM框架实现宝康药房销售管理系统项目【项目源码+论文说明】
    基于Java中的SSM框架实现宝康药房销售管理系统演示摘要随着我国市场经济的蓬勃发展和人们对医药产品需求的迅速增加,医药销售行业正处于一个高速发展的时期。行业的快速发展必然导致竞争的加剧,面对药品销售业日益严酷的竟争现实,加强管理、提高工作效率和改善服务质量成了急......