using different way to classify 4 classes about breast cancer

• 1、400张2048x1536的有标签tif图片，每个类分别有100张
• 2、10张有标注的svs图片
• 3、100张无标签的测试tif图片
• 4、10张无标注的测试用svs图片

• 1、切割图片：patch大小、是否重叠、注意图片保存的格式
• 2、背景区域过滤：去除白色像素点过多的patch
• 3、数据增强：旋转、翻转、颜色增强、模糊、放大缩小
• 4、svs图片的标注：xml文件的读取
• 5、训练模型：lr、bs的选取，
• 6、预测svs图：svs图片的切割以及遍历循环，保存预测得到的结果矩阵
• 7、画结果热图：结合结果矩阵与svs缩略图，画出热图

• 1、切割图片，构建数据集：patch为512x512
• 2、背景区域过滤
• 3、数据增强
• 4、训练cnn分类模型
• 5、获取特征：训练好的cnn模型作为特征提取器，取瓶颈特征作为输入lstm训练的特征。
• 6、用于提取特征的图片：有标签2048x1536的大图，只取中间的1536x1536，共9个patch，即共9个特征，一张大图对应特征有9个。
• 7、预测svs图：舍弃svs图片的512像素边缘，预测一个512x512的patch要裁剪1536x1536大小的patch，要预测的图片在正**，再把这个大的patch裁剪为9个512x512大小的patch，按顺序输入cnn模型中提取特征，再将特征输入训练好的lstm模型中进行预测。
• 8、画结果热图

• 1、构建数据集（大图层面）
• 2、挑选数据
• 3、挑选数据的可视化：保存每个patch预测得到的概率并打印到对应的patch上面，并将处理好的patch按照切割的x、y的顺序拼接起来。用一个二值矩阵来保存被挑选patch对应的位置。将拼接图与二值矩阵融合起来，得到对应的可视化图片，被挑选图片会比较亮一些。
• 3、训练模型并保存
• 4、用上一轮保存的模型挑选新的训练集

• cut_dataset: 无重叠切割图片
• cut_dataset_overlap:有重叠切割图片

• classes4_preview: 根据xml文件画出svs图片的标注（bach challeng data）
• get_preview_2: 根据xml文件画出svs图片的标注（公司数据）
• DelaunayFill： 将矩阵经过Delaunay三角剖分算法处理，并将三角部分进行填充
• generators： 添加了颜色增强的keras的ImageDataGenerator
• get_img_data: 提取图片的cnn特征
• point_polygon_utils

• data_color_normalization：对图片进行染色标准化
• get_generators_data：数据增强脚本，分别对一张图片进行旋转、翻转等操作。

• cnn_predict_svs: cnn模型预测svs大图并得到结果矩阵以及热图
• lstm_predict_svs:lstm模型预测svs大图并得到结果矩阵以及热图
• predict_bach_testdata:预测bach challeng中的100张测试图片并打印预测结果
• predict_get_false_pathch:预测切割好且知道标签的512x512patch，并保存预测错误的样本名
• get_img_lstm_predict_result：获得单张2048x1536图的cnn+lstm模型的预测结果

• get_cnn_feature: 获得cnn特征用于lstm训练
• train_lstm: 训练lstm模型