基于python实现的非酒精性脂肪肝细胞的分类+源码+项目文档+数据集（毕业设计&课程设计&项目开发）

--- mermaid: true --- # 非酒精性脂肪肝细胞的分类 # 项目背景介绍 ## 1.项目研究意义 肝脏是动物最大、功能最广泛的器官之一。它将食物中的糖、蛋白和脂肪转化为对身体有用的物质，并将它们释放到细胞中。肝脏除了在新陈代谢中发挥作用外，还是一种免疫器官，对血液的排毒是必不可少的。肝脏对健康具有极大的重要性，所以对于肝脏细胞病变的预防以及研究具有很大的意义。基于相应的基础研究，人们对于病毒性肝炎及病毒如何入侵并危害肝脏已经有了相对成熟、系统的认知和应对策略。然而，人们往往会视外侵者为“眼中钉”，反而对过量脂质等潜入者的危害视而不见，对非酒精性脂肪肝炎的新近病理生理研究显示，有“潜入者”的肝脏细胞，也能启动免疫体系，如果程度严重甚至启动“毁灭”程序。 当非酒精性脂肪肝病发展到严重的炎症阶段，肝脏内巨噬细胞就会异常活跃起来，它们会从血液中募集更多兄弟炎症细胞，例如白细胞就会进到肝脏里面，出现炎症细胞浸润。“这个时候如果做病理分析，就会看到肝脏里面有很多炎症细胞，围着变大的肝脏细胞。，这就说明肝脏细胞里边“出事儿”了，不要以为炎症细胞是去解救肝脏细胞的，很可能炎症细胞已经认为它是不正常细胞，想把它干掉。而这个机制与肝炎病毒入侵后，免疫系统对带毒肝脏细胞的“绞杀”很相似。 hepatocyte immune_cells other_cells <figure class="third"> <img src="./imgs/图片1.png" height="200" width="200"><img src="./imgs/图片2.png" height="200" width="200"><img src="./imgs/图片3.png" height="200" width="200"> </figure> ### 分出hepatocyte之后，再从中分三类 ballooning normal steatosis <figure class="third"> <img src="./imgs/图片7.png" height="200" width="200"><img src="./imgs/图片8.png" height="200" width="200"><img src="./imgs/图片9.png" height="200" width="200"> </figure> ### 注意：第一个三分类模型输入是(72,72)，裁切图片的时候patch为(54,54)，第二个模型输入是(96,96)，裁切图片的时候patch为(96,96) ## 2.项目具体流程  # 运行环境要求 ```python pip install keras==2.2.0 pip install tensorflow-gpu==1.7.0 pip install numpy==1.14.5 pip install opencv-python==3.4.4.19 # 代码需要spams库的支持，126已安装 # 若提示缺少spams，请按照以下步骤安装 #具体步骤： #1.先在用户主目录下创建src目录，然后切换到src目录下操作 mkdir ~/src cd ~/src #2.安装blas wget http://www.netlib.org/blas/blas.tgz tar zxf blas.tgz #具体版本号以下载的最新版本为主 cd BLAS-3.5.0/ #3、编译 #如果是32位系统，使用GNU的g77或gfortran编译器来编译： g77 -O2 -fno-second-underscore -c *.f gfortran -O2 -std=legacy -fno-second-underscore -c *.f #如果是64位系统，使用GNU的g77或gfortran编译器来编译： g77 -O3 -m64 -fno-second-underscore -fPIC -c *.f gfortran -O3 -std=legacy -m64 -fno-second-underscore -fPIC -c *.f #如果使用的是Intel的Fortran编译器，则： ifort -FI -w90 -w95 -cm -O3 -unroll -c *.f #注意： #请根据情况选择上述5个命令中的一个执行 #在编译BLAS、LAPACK、NumPy和SciPy的时候，所选择的Fortran编译器必须要保持一致 #在下述LAPACK的编译安装中，需要使用Fortran 90编译器，因此不应该使用g77来编译BLAS #4.安装LAPACK wget http://www.netlib.org/lapack/lapack.tgz tar zxf lapack.tgz #具体版本号以下载的最新版本为主 cd lapack-3.6.0/ #5.注意：在执行make lapacklib之前，编辑make.inc文件，给OPTS和NOOPT这两个设置都加上-fPIC选项。如果是64位系统，还需要加上-m64选项。修改后 FORTRAN = gfortran OPTS = -O2 -frecursive -fPIC -m64 DRVOPTS = $(OPTS) NOOPT = -O0 -frecursive -fPIC -m64 LOADER = gfortran #6.编译 cp INSTALL/make.inc.gfortran make.inc # On Linux with lapack-3.2.1 or newer make lapacklib #7.后续工作 make clean # 清理文件 export LAPACK=~/src/lapack-3.6.0/ # 导出LAPACK环境变量 ``` # 代码整理封装 ## maskrcnn 该文件夹里面保存的是用于进行细胞核分割的代码,先是进行utils中的openslide_img.py进行在0级大图下进行裁切图片， 得到图片以后修改main.py中的patchsize大小，以及需要进行maskrcnn分割的图片路径，然后在终端运行python main.py，即可得到细胞的轮廓mask ## etl 该文件夹存放的是数据处理的代码，通过maskrcnn得到轮廓以后，运行该文件夹中的mask_np_read.py脚本，根据标注和mask轮廓即可裁切到细胞图片。 一般而言，因为样本的数据量比较少，我们要进行数据增强，augement.py是进行增强的代码，Image_Augementation_master文件夹中是进行增强的具体方法代码 cut_img.py是进行将数据集划分的代码，根据需要设置合理的划分比例进行划分 xml_utils.py是进行大图xml的解析代码，有时候比如ballooning数量较少，直接在大图中圈ballooning，那么extract_xml.py就是可以将大图中圈出来的地方截取下来进行maskrcnn提取轮廓 ### ETL过程简述 从WSI大图进行截图→MaskRCNN分割→根据分割结果进行标注→根据标注进行采样→根据采样的样本进行训练→对分割截图进行可视化预测→对标注进行完善→再训练。 具体可以参考以下流程： ```mermaid graph TB printE[根据EXCEL文件开始采样工作] printE --> printF[在WSI大图中选择区域] printF --> printA[利用MaskRCNN进行区域截图并进行细胞分割] printA --> printC[800*800截图原图] printC --> printG[根据Mask为细胞轮廓着色] printG -- 标注辅助图 -- 根据具体情况对轮廓着色比如有时可能先要预测 --> printB[标注员进行标注] printC --> printB printB -- 完成该次标注 --> printH[获取标注图] printH --> printD[根据标注图生成训练样本] printD -- 数据增强+数据处理 --> printI[模型训练] printI -- 优化+收敛 --> printL[对800*800截图原图进行预测] printL -- 只对预测和标签不一致的进行着色 --> printN[生成可视化对比图,轮廓为标注色,描点为预测色] printN --> condictionA{标注员确定是否需要修改/补充} condictionA -- 是 --> printB condictionA -- 否 --> modelstop[结束,固定模型] modelstop --> stop[进行大图预测可视化] ``` ## TRAIN_TEST 该文件夹存放训练相关的代码 #### 模型训练时的代码 ``` xception_train.py ``` #### 绘制训练得到的acc与loss曲线 ``` draw_visualize.py ``` #### 进行绘制验证集或者测试集混淆矩阵 ``` hepatocyte-prediction.py ``` #### 进行预测可视化 ``` cell_visualize.py ``` ## clr_back_train 该文件夹保存的是用不同学习率训练的代码 #### 进行可选择改变学习率训练的模式代码 ``` clr_callback.py ``` #### 训练之前进行寻找最佳学习率区间的代码 ``` LearningRateFinder.py ``` #### 进行训练配置的配置文件 ``` tri_config.py ``` #### 进行调整学习率训练模型的代码 ``` three-classi.py ``` ## POST_PROCESS # 使用范例说明 1.拿到标注图和原图先进入maskrcnn文件夹，修改sys.ini配置文件，终端运行python main.py，然后会得到细胞核轮廓的mask，保存的是.py后缀的文件 2.运行etl中的预处理代码进行切割，得到切割后的图片，进行数据集划分后进入训练准备 3.运行train_test中的thr_class.py，进行模型的训练 进行切图标注示例： 1.运行maskrcnn/utils/openslide_img.py进行裁图 2.修改sys.ini配置文件，终端运行python main.py，