• 教程 >
  • 使用 PyTorch 和 TIAToolbox 进行全幻灯片图像分类
快捷方式

使用 PyTorch 和 TIAToolbox 进行全幻灯片图像分类

提示

为了充分利用本教程,我们建议您使用此 Colab 版本。这将使您能够试验下面介绍的信息。

简介

在本教程中,我们将展示如何使用 PyTorch 深度学习模型以及 TIAToolbox 的帮助来对全幻灯片图像 (WSI) 进行分类。WSI 是通过手术或活检获取的人体组织样本的图像,并使用专门的扫描仪进行扫描。病理学家和计算病理学研究人员使用它们来 研究诸如癌症等疾病的微观水平,以便例如了解肿瘤生长并帮助改善患者的治疗。

WSI 处理面临的挑战在于其巨大的尺寸。例如,典型的幻灯片图像的像素数量约为 100,000x100,000,其中每个像素可能对应于幻灯片上大约 0.25x0.25 微米的区域。这给加载和处理此类图像带来了挑战,更不用说在一项研究中处理数百甚至数千个 WSI 了(规模更大的研究能产生更好的结果)!

传统的图像处理流水线不适合 WSI 处理,因此我们需要更好的工具。这就是 TIAToolbox 可以提供帮助的地方,因为它提供了一套有用的工具,可以快速高效地导入和处理组织幻灯片。通常,WSI 以金字塔结构保存,其中包含同一图像在不同放大倍率下的多个副本,这些副本经过优化以用于可视化。金字塔的第 0 层(或最底层)包含最高放大倍率或缩放级别的图像,而金字塔中较高的层包含基础图像的较低分辨率副本。金字塔结构如下图所示。

WSI 金字塔堆栈 WSI 金字塔堆栈 (来源)

TIAToolbox 允许我们自动化常见的下游分析任务,例如组织分类。在本教程中,我们将展示如何:1. 使用 TIAToolbox 加载 WSI 图像;以及 2. 使用不同的 PyTorch 模型在补丁级别对幻灯片进行分类。在本教程中,我们将提供使用 TorchVision ResNet18 模型和自定义 HistoEncoder <https://github.com/jopo666/HistoEncoder>`__ 模型的示例。

让我们开始吧!

设置环境

要运行本教程中提供的示例,以下软件包作为先决条件是必需的。

  1. OpenJpeg

  2. OpenSlide

  3. Pixman

  4. TIAToolbox

  5. HistoEncoder(用于自定义模型示例)

请在您的终端中运行以下命令来安装这些软件包

apt-get -y -qq install libopenjp2-7-dev libopenjp2-tools openslide-tools libpixman-1-dev pip install -q ‘tiatoolbox<1.5’ histoencoder && echo “Installation is done.”

或者,您可以在 MacOS 上运行 brew install openjpeg openslide 来安装先决条件软件包,而不是 apt-get。有关安装的更多信息,可以在这里找到

运行前的清理

为了确保正确清理(例如在异常终止时),本次运行中下载或创建的所有文件都保存在单个目录 global_save_dir 中,我们将其设置为“./tmp/”。为了简化维护,目录的名称仅出现在此一处,以便可以根据需要轻松更改。

warnings.filterwarnings("ignore")
global_save_dir = Path("./tmp/")


def rmdir(dir_path: str | Path) -> None:
    """Helper function to delete directory."""
    if Path(dir_path).is_dir():
        shutil.rmtree(dir_path)
        logger.info("Removing directory %s", dir_path)


rmdir(global_save_dir)  # remove  directory if it exists from previous runs
global_save_dir.mkdir()
logger.info("Creating new directory %s", global_save_dir)

下载数据

对于我们的示例数据,我们将使用一个完整的幻灯片图像,以及来自Kather 100k 数据集验证子集的补丁。

wsi_path = global_save_dir / "sample_wsi.svs"
patches_path = global_save_dir / "kather100k-validation-sample.zip"
weights_path = global_save_dir / "resnet18-kather100k.pth"

logger.info("Download has started. Please wait...")

# Downloading and unzip a sample whole-slide image
download_data(
    "https://tiatoolbox.dcs.warwick.ac.uk/sample_wsis/TCGA-3L-AA1B-01Z-00-DX1.8923A151-A690-40B7-9E5A-FCBEDFC2394F.svs",
    wsi_path,
)

# Download and unzip a sample of the validation set used to train the Kather 100K dataset
download_data(
    "https://tiatoolbox.dcs.warwick.ac.uk/datasets/kather100k-validation-sample.zip",
    patches_path,
)
with ZipFile(patches_path, "r") as zipfile:
    zipfile.extractall(path=global_save_dir)

# Download pretrained model weights for WSI classification using ResNet18 architecture
download_data(
    "https://tiatoolbox.dcs.warwick.ac.uk/models/pc/resnet18-kather100k.pth",
    weights_path,
)

logger.info("Download is complete.")

读取数据

我们创建一个补丁列表和一个相应的标签列表。例如,label_list 中的第一个标签将指示 patch_list 中第一个图像补丁的类别。

# Read the patch data and create a list of patches and a list of corresponding labels
dataset_path = global_save_dir / "kather100k-validation-sample"

# Set the path to the dataset
image_ext = ".tif"  # file extension of each image

# Obtain the mapping between the label ID and the class name
label_dict = {
    "BACK": 0, # Background (empty glass region)
    "NORM": 1, # Normal colon mucosa
    "DEB": 2,  # Debris
    "TUM": 3,  # Colorectal adenocarcinoma epithelium
    "ADI": 4,  # Adipose
    "MUC": 5,  # Mucus
    "MUS": 6,  # Smooth muscle
    "STR": 7,  # Cancer-associated stroma
    "LYM": 8,  # Lymphocytes
}

class_names = list(label_dict.keys())
class_labels = list(label_dict.values())

# Generate a list of patches and generate the label from the filename
patch_list = []
label_list = []
for class_name, label in label_dict.items():
    dataset_class_path = dataset_path / class_name
    patch_list_single_class = grab_files_from_dir(
        dataset_class_path,
        file_types="*" + image_ext,
    )
    patch_list.extend(patch_list_single_class)
    label_list.extend([label] * len(patch_list_single_class))

# Show some dataset statistics
plt.bar(class_names, [label_list.count(label) for label in class_labels])
plt.xlabel("Patch types")
plt.ylabel("Number of patches")

# Count the number of examples per class
for class_name, label in label_dict.items():
    logger.info(
        "Class ID: %d -- Class Name: %s -- Number of images: %d",
        label,
        class_name,
        label_list.count(label),
    )

# Overall dataset statistics
logger.info("Total number of patches: %d", (len(patch_list)))
tiatoolbox tutorial
|2023-11-14|13:15:59.299| [INFO] Class ID: 0 -- Class Name: BACK -- Number of images: 211
|2023-11-14|13:15:59.299| [INFO] Class ID: 1 -- Class Name: NORM -- Number of images: 176
|2023-11-14|13:15:59.299| [INFO] Class ID: 2 -- Class Name: DEB -- Number of images: 230
|2023-11-14|13:15:59.299| [INFO] Class ID: 3 -- Class Name: TUM -- Number of images: 286
|2023-11-14|13:15:59.299| [INFO] Class ID: 4 -- Class Name: ADI -- Number of images: 208
|2023-11-14|13:15:59.299| [INFO] Class ID: 5 -- Class Name: MUC -- Number of images: 178
|2023-11-14|13:15:59.299| [INFO] Class ID: 6 -- Class Name: MUS -- Number of images: 270
|2023-11-14|13:15:59.299| [INFO] Class ID: 7 -- Class Name: STR -- Number of images: 209
|2023-11-14|13:15:59.299| [INFO] Class ID: 8 -- Class Name: LYM -- Number of images: 232
|2023-11-14|13:15:59.299| [INFO] Total number of patches: 2000

如您所见,对于此补丁数据集,我们有 9 个类别/标签,ID 为 0-8,并关联的类别名称描述了补丁中主要的组织类型。

  • BACK ⟶ 背景(空的玻璃区域)

  • LYM ⟶ 淋巴细胞

  • NORM ⟶ 正常结肠粘膜

  • DEB ⟶ 碎片

  • MUS ⟶ 平滑肌

  • STR ⟶ 癌相关基质

  • ADI ⟶ 脂肪

  • MUC ⟶ 粘液

  • TUM ⟶ 结直肠腺癌上皮

对图像补丁进行分类

我们首先演示如何使用 patch 模式获取数字幻灯片中每个补丁的预测,然后使用 wsi 模式获取大型幻灯片的预测。

定义 PatchPredictor 模型

PatchPredictor 类运行一个用 PyTorch 编写的基于 CNN 的分类器。

  • model 可以是任何经过训练的 PyTorch 模型,但必须遵循 tiatoolbox.models.abc.ModelABC (docs) <https://tia-toolbox.readthedocs.io/en/latest/_autosummary/tiatoolbox.models.models_abc.ModelABC.html>`__ 类结构。有关此问题的更多信息,请参阅我们关于高级模型技术的示例笔记本。为了加载自定义模型,您需要编写一个小的预处理函数,如 preproc_func(img),以确保输入张量采用加载网络所需的正确格式。

  • 或者,您可以将 pretrained_model 作为字符串参数传递。这指定了执行预测的 CNN 模型,它必须是此处列出的模型之一。命令将如下所示:predictor = PatchPredictor(pretrained_model='resnet18-kather100k', pretrained_weights=weights_path, batch_size=32)

  • pretrained_weights:使用 pretrained_model 时,相应的预训练权重也将默认下载。您可以通过 pretrained_weight 参数使用您自己的权重集覆盖默认值。

  • batch_size:每次输入模型的图像数量。此参数的值越高,所需的(GPU)内存容量就越大。

# Importing a pretrained PyTorch model from TIAToolbox
predictor = PatchPredictor(pretrained_model='resnet18-kather100k', batch_size=32)

# Users can load any PyTorch model architecture instead using the following script
model = vanilla.CNNModel(backbone="resnet18", num_classes=9) # Importing model from torchvision.models.resnet18
model.load_state_dict(torch.load(weights_path, map_location="cpu", weights_only=True), strict=True)
def preproc_func(img):
    img = PIL.Image.fromarray(img)
    img = transforms.ToTensor()(img)
    return img.permute(1, 2, 0)
model.preproc_func = preproc_func
predictor = PatchPredictor(model=model, batch_size=32)

预测补丁标签

我们创建一个预测器对象,然后使用 patch 模式调用 predict 方法。然后我们计算分类准确率和混淆矩阵。

with suppress_console_output():
    output = predictor.predict(imgs=patch_list, mode="patch", on_gpu=ON_GPU)

acc = accuracy_score(label_list, output["predictions"])
logger.info("Classification accuracy: %f", acc)

# Creating and visualizing the confusion matrix for patch classification results
conf = confusion_matrix(label_list, output["predictions"], normalize="true")
df_cm = pd.DataFrame(conf, index=class_names, columns=class_names)
df_cm
|2023-11-14|13:16:03.215| [INFO] Classification accuracy: 0.993000
BACK NORM DEB TUM ADI MUC MUS STR LYM
BACK 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.00000
NORM 0.000000 0.988636 0.000000 0.011364 0.000000 0.000000 0.000000 0.000000 0.00000
DEB 0.000000 0.000000 0.991304 0.000000 0.000000 0.000000 0.000000 0.008696 0.00000
TUM 0.000000 0.000000 0.000000 0.996503 0.000000 0.003497 0.000000 0.000000 0.00000
ADI 0.004808 0.000000 0.000000 0.000000 0.990385 0.000000 0.004808 0.000000 0.00000
MUC 0.000000 0.000000 0.000000 0.000000 0.000000 0.988764 0.000000 0.011236 0.00000
MUS 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.996296 0.003704 0.00000
STR 0.000000 0.000000 0.004785 0.000000 0.000000 0.004785 0.004785 0.985646 0.00000
LYM 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.004310 0.99569


预测整个幻灯片的补丁标签

我们现在介绍 IOPatchPredictorConfig,这是一个指定模型预测引擎的图像读取和预测写入配置的类。这是为了告知分类器应该读取 WSI 金字塔的哪个级别、处理数据并生成输出。

IOPatchPredictorConfig 的参数定义为

  • input_resolutions:一个列表,以字典的形式,指定每个输入的分辨率。列表元素必须与目标 model.forward() 中的顺序相同。如果您的模型只接受一个输入,您只需要放置一个字典,指定 'units''resolution'。请注意,TIAToolbox 支持具有多个输入的模型。有关单位和分辨率的更多信息,请参阅TIAToolbox 文档

  • patch_input_shape:最大输入的形状,以(高度,宽度)格式表示。

  • stride_shape:两个连续补丁之间的步幅(步长)的大小,用于补丁提取过程。如果用户将 stride_shape 设置为等于 patch_input_shape,则将提取和处理补丁而没有任何重叠。

wsi_ioconfig = IOPatchPredictorConfig(
    input_resolutions=[{"units": "mpp", "resolution": 0.5}],
    patch_input_shape=[224, 224],
    stride_shape=[224, 224],
)

predict 方法将 CNN 应用于输入补丁并获取结果。以下是参数及其描述

  • mode:要处理的输入类型。根据您的应用从 patchtilewsi 中选择。

  • imgs:输入列表,应该是输入图块或 WSI 的路径列表。

  • return_probabilities:设置为 **True** 以获取每个类别的概率以及输入补丁的预测标签。如果您希望合并预测以生成 tilewsi 模式的预测图,您可以设置 return_probabilities=True

  • ioconfig:使用 IOPatchPredictorConfig 类设置 IO 配置信息。

  • resolutionunit(下面未显示):这些参数指定了我们计划从中提取补丁的 WSI 级别或每像素微米分辨率,并且可以代替 ioconfig 使用。在这里,我们将 WSI 级别指定为 'baseline',相当于级别 0。通常,这是最高分辨率的级别。在这种特定情况下,图像只有一个级别。更多信息可以在文档中找到。

  • masks:与 imgs 列表中 WSI 的掩码相对应的路径列表。这些掩码指定了我们想要从中提取补丁的原始 WSI 中的区域。如果特定 WSI 的掩码指定为 None,则会预测该 WSI 所有补丁(即使是背景区域)的标签。这可能会导致不必要的计算。

  • merge_predictions:如果需要生成补丁分类结果的二维图,可以将此参数设置为 True。但是,对于大型 WSI,这将需要较大的可用内存。另一种(默认)解决方案是将 merge_predictions=False 设置为,然后使用 merge_predictions 函数生成二维预测图,如下所示。

由于我们使用的是大型 WSI,因此补丁提取和预测过程可能需要一些时间(如果您有权访问支持 Cuda 的 GPU 和 PyTorch+Cuda,请确保设置 ON_GPU=True)。

with suppress_console_output():
    wsi_output = predictor.predict(
        imgs=[wsi_path],
        masks=None,
        mode="wsi",
        merge_predictions=False,
        ioconfig=wsi_ioconfig,
        return_probabilities=True,
        save_dir=global_save_dir / "wsi_predictions",
        on_gpu=ON_GPU,
    )

我们通过可视化wsi_output来查看预测模型在我们整个切片图像上的工作方式。我们首先需要合并补丁预测输出,然后将它们可视化为原始图像上的叠加层。与之前一样,merge_predictions方法用于合并补丁预测。在这里,我们设置参数resolution=1.25, units='power'以生成1.25倍放大倍率下的预测图。如果您希望获得更高/更低分辨率(更大/更小)的预测图,则需要相应地更改这些参数。当预测合并后,使用overlay_patch_prediction函数将预测图叠加在WSI缩略图上,该缩略图应以用于预测合并的分辨率提取。

overview_resolution = (
    4  # the resolution in which we desire to merge and visualize the patch predictions
)
# the unit of the `resolution` parameter. Can be "power", "level", "mpp", or "baseline"
overview_unit = "mpp"
wsi = WSIReader.open(wsi_path)
wsi_overview = wsi.slide_thumbnail(resolution=overview_resolution, units=overview_unit)
plt.figure(), plt.imshow(wsi_overview)
plt.axis("off")
tiatoolbox tutorial

如下所示,将预测图叠加到此图像上得到

# Visualization of whole-slide image patch-level prediction
# first set up a label to color mapping
label_color_dict = {}
label_color_dict[0] = ("empty", (0, 0, 0))
colors = cm.get_cmap("Set1").colors
for class_name, label in label_dict.items():
    label_color_dict[label + 1] = (class_name, 255 * np.array(colors[label]))

pred_map = predictor.merge_predictions(
    wsi_path,
    wsi_output[0],
    resolution=overview_resolution,
    units=overview_unit,
)
overlay = overlay_prediction_mask(
    wsi_overview,
    pred_map,
    alpha=0.5,
    label_info=label_color_dict,
    return_ax=True,
)
plt.show()
tiatoolbox tutorial

使用特定于病理学的模型进行特征提取

在本节中,我们将展示如何使用TIAToolbox提供的WSI推理引擎从预训练的PyTorch模型(存在于TIAToolbox之外)中提取特征。为了说明这一点,我们将使用HistoEncoder,这是一种特定于计算病理学的模型,它已通过自我监督的方式进行训练,以从组织学图像中提取特征。该模型已在此处提供

“HistoEncoder:数字病理学的基础模型”(https://github.com/jopo666/HistoEncoder)由赫尔辛基大学的Pohjonen,Joona及其团队提供。

我们将绘制特征图的三维(RGB)UMAP降维,以可视化特征如何捕捉上述某些组织类型之间的差异。

# Import some extra modules
import histoencoder.functional as F
import torch.nn as nn

from tiatoolbox.models.engine.semantic_segmentor import DeepFeatureExtractor, IOSegmentorConfig
from tiatoolbox.models.models_abc import ModelABC
import umap

TIAToolbox定义了一个ModelABC,它是一个继承PyTorch nn.Module的类,并指定了模型为了在TIAToolbox推理引擎中使用而应具有的外观。histoencoder模型不遵循此结构,因此我们需要将其包装在一个类中,该类的输出和方法是TIAToolbox引擎期望的。

class HistoEncWrapper(ModelABC):
    """Wrapper for HistoEnc model that conforms to tiatoolbox ModelABC interface."""

    def __init__(self: HistoEncWrapper, encoder) -> None:
        super().__init__()
        self.feat_extract = encoder

    def forward(self: HistoEncWrapper, imgs: torch.Tensor) -> torch.Tensor:
        """Pass input data through the model.

        Args:
            imgs (torch.Tensor):
                Model input.

        """
        out = F.extract_features(self.feat_extract, imgs, num_blocks=2, avg_pool=True)
        return out

    @staticmethod
    def infer_batch(
        model: nn.Module,
        batch_data: torch.Tensor,
        *,
        on_gpu: bool,
    ) -> list[np.ndarray]:
        """Run inference on an input batch.

        Contains logic for forward operation as well as i/o aggregation.

        Args:
            model (nn.Module):
                PyTorch defined model.
            batch_data (torch.Tensor):
                A batch of data generated by
                `torch.utils.data.DataLoader`.
            on_gpu (bool):
                Whether to run inference on a GPU.

        """
        img_patches_device = batch_data.to('cuda') if on_gpu else batch_data
        model.eval()
        # Do not compute the gradient (not training)
        with torch.inference_mode():
            output = model(img_patches_device)
        return [output.cpu().numpy()]

现在我们有了包装器,我们将创建我们的特征提取模型并实例化一个DeepFeatureExtractor,以允许我们对WSI使用此模型。我们将使用与上面相同的WSI,但这次我们将使用HistoEncoder模型从WSI的补丁中提取特征,而不是预测每个补丁的某些标签。

# create the model
encoder = F.create_encoder("prostate_medium")
model = HistoEncWrapper(encoder)

# set the pre-processing function
norm=transforms.Normalize(mean=[0.662, 0.446, 0.605],std=[0.169, 0.190, 0.155])
trans = [
    transforms.ToTensor(),
    norm,
]
model.preproc_func = transforms.Compose(trans)

wsi_ioconfig = IOSegmentorConfig(
    input_resolutions=[{"units": "mpp", "resolution": 0.5}],
    patch_input_shape=[224, 224],
    output_resolutions=[{"units": "mpp", "resolution": 0.5}],
    patch_output_shape=[224, 224],
    stride_shape=[224, 224],
)

当我们创建DeepFeatureExtractor时,我们将传递auto_generate_mask=True参数。这将自动使用Otsu阈值创建组织区域的掩码,以便提取器仅处理包含组织的那些补丁。

# create the feature extractor and run it on the WSI
extractor = DeepFeatureExtractor(model=model, auto_generate_mask=True, batch_size=32, num_loader_workers=4, num_postproc_workers=4)
with suppress_console_output():
    out = extractor.predict(imgs=[wsi_path], mode="wsi", ioconfig=wsi_ioconfig, save_dir=global_save_dir / "wsi_features",)

这些特征可用于训练下游模型,但在这里为了对特征所代表的内容获得一些直觉,我们将使用UMAP降维来可视化RGB空间中的特征。以相似颜色标记的点应具有相似的特征,因此当我们将UMAP降维叠加在WSI缩略图上时,我们可以检查特征是否自然地分离成不同的组织区域。我们将在以下单元格中将其与上面得到的补丁级预测图一起绘制,以查看特征与补丁级预测的比较情况。

# First we define a function to calculate the umap reduction
def umap_reducer(x, dims=3, nns=10):
    """UMAP reduction of the input data."""
    reducer = umap.UMAP(n_neighbors=nns, n_components=dims, metric="manhattan", spread=0.5, random_state=2)
    reduced = reducer.fit_transform(x)
    reduced -= reduced.min(axis=0)
    reduced /= reduced.max(axis=0)
    return reduced

# load the features output by our feature extractor
pos = np.load(global_save_dir / "wsi_features" / "0.position.npy")
feats = np.load(global_save_dir / "wsi_features" / "0.features.0.npy")
pos = pos / 8 # as we extracted at 0.5mpp, and we are overlaying on a thumbnail at 4mpp

# reduce the features into 3 dimensional (rgb) space
reduced = umap_reducer(feats)

# plot the prediction map the classifier again
overlay = overlay_prediction_mask(
    wsi_overview,
    pred_map,
    alpha=0.5,
    label_info=label_color_dict,
    return_ax=True,
)

# plot the feature map reduction
plt.figure()
plt.imshow(wsi_overview)
plt.scatter(pos[:,0], pos[:,1], c=reduced, s=1, alpha=0.5)
plt.axis("off")
plt.title("UMAP reduction of HistoEnc features")
plt.show()
  • tiatoolbox tutorial
  • UMAP reduction of HistoEnc features

我们看到,来自我们补丁级预测器的预测图和来自我们自监督特征编码器的特征图捕获了关于WSI中组织类型的类似信息。这是一个很好的健全性检查,表明我们的模型按预期工作。它还表明,HistoEncoder模型提取的特征正在捕获组织类型之间的差异,因此它们正在编码组织学相关的信息。

后续步骤

在本笔记本中,我们展示了如何使用PatchPredictorDeepFeatureExtractor类及其predict方法来预测大图块和WSI的补丁标签或提取特征。我们介绍了merge_predictionsoverlay_prediction_mask辅助函数,它们合并补丁预测输出并将生成的预测图可视化为输入图像/WSI上的叠加层。

所有过程都在TIAToolbox中进行,我们可以轻松地将各个部分组合在一起,遵循我们的示例代码。请确保正确设置输入和选项。我们鼓励您进一步研究更改predict函数参数对预测输出的影响。我们已经演示了如何在TIAToolbox框架中使用您自己的预训练模型或研究界提供的特定任务模型对大型WSI进行推理,即使模型结构未在TIAToolbox模型类中定义。

您可以通过以下资源了解更多信息

文档

访问PyTorch的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源