Der Python-Code führt die EXE-Datei in einer Schleife aus und übergibt Befehlsparameter, um eine Stapelverarbeitung von Daten zu realisieren.

1. Problemhintergrund

Nehmen Sie am Computer-Vision-Wettbewerb auf der MARS-Daten-Medizinstrecke teil. Der Inhalt des Wettbewerbs stellt einen Stapel pathologischer digitaler Schnitte für den Wettbewerb bereit, und die professionellen Ärzte markieren die T-Stadium-Indikatoren im Schnittbereich. Die Teilnehmer müssen computergestützte Technologien nutzen, um die Bereiche in der Schicht anhand des „T“-Index im TNM-Stadienindex zu klassifizieren und vorherzusagen, Ärzte bei der Identifizierung zu unterstützen und die Effizienz der pathologischen Diagnose zu verbessern.
Bei Verwendung der TNM-Einstufung zur Tumorbeurteilung stellt T0 keinen Hinweis auf einen Primärtumor dar, T1-T3 stellt den Grad der Invasion von Krebszellen dar, der sich allmählich vertieft, und Tis stellt Carcinoma in situ dar (intraepitheliales Neoplasma, keine Invasion der Lamina propria, hochgradige Dysplasie). ) ). In der Vorrunde müssen die Teilnehmer anhand der vorgegebenen KFB-Bilder und JSON-Dateien, die in fünf Kategorien unterteilt sind, darunter T0, T1, T2, T3 und Tis, den Grad des Eindringens in die im Slice definierten Bereiche klassifizieren und vorhersagen.

2. Probleme, mit denen man konfrontiert ist

1. Da das pathologische Schnittbild mit der professionellen Ausrüstung des Krankenhauses erstellt wird, liegt das vom Wettbewerbsteilnehmer bereitgestellte pathologische Schnittbild im KFB-Format vor, das nicht auf Ihrem eigenen Computer angezeigt werden kann. Sie müssen daher die vom Wettbewerb bereitgestellte exe-Datei verwenden Partei (von einem Dritten bereitgestellt) zum Konvertieren des KFB- Formats Das Bild kann konvertiert werden, und die vom Wettbewerbspartner bereitgestellte ausführbare Datei kann das KFB-Format in das TIFF-Format konvertieren.
2. Da wir Deep Learning verwenden müssen, um die Daten vorherzusagen, gibt es hier viele Bilddaten und jedes Bild ist mehr als 400 Millionen. Offensichtlich ist die Konvertierung jedes Bildes sehr zeitaufwändig, daher müssen wir zum Konvertieren ein Python-Skript schreiben uns in Chargen. Daten.

3. Code-Implementierung (Fall)

• Beispielsweise müssen Sie den Befehl in der Befehlszeile eingeben
  

• Der
  folgende Python-Code zeigt 用Python循环执行exe可执行文件die Anforderungen für die Stapelverarbeitung von Dateien.

import os

path = "D:\\BaiduNetdiskDownload\\MARS\\data\\T0\\"
main = "D:\\BaiduNetdiskDownload\\MARS\\tool\\KFbioConverter.exe"
suffixs = []
for file_name in os.listdir(path):

    if file_name.endswith(".kfb"):
        suffix = file_name.split(".")[0]

    #   os.startfile(main + path + file_name + toPath + suffix + ".tif 3")
    path1 = "D:\\BaiduNetdiskDownload\\MARS\\data\\T0\\" + file_name
    toPath = "D:\\BaiduNetdiskDownload\\MARS\\data\\TIF0\\" + suffix + ".tif 3"
    # 运行参数格式化
    para = "%s %s %s" % (main, path1, toPath)  # 注意是temp.bat不是exe

    os.system(para)

• Konvertierungsergebnis
  

4. Zusammenfassung

• Als ich mit der Konvertierung des ersten Bildes im Befehlsfeld begann, war ich verzweifelt, da es sich bei den Bildern um etwa 45.000 * 45.000 Bilder handelt (die oben genannten Dateien können nicht geladen werden), sodass ein T0-Datensatz für einen Tag konvertiert werden muss , aber es gibt viel bequemer, ein Python-Skript zu haben.
• Es gibt noch drei Trainingssatzdaten und einen Testsatzdaten, die noch nicht heruntergeladen wurden, und ich hoffe, dass die Festplatte ausreicht.
• Ein so großes Bild erfordert eine spezielle Bildkomprimierungsverarbeitung, aber das Bild darf die pathologischen Merkmale des Originalbilds nicht verlieren und wird dann in das neuronale Netzwerk des Deep Learning eingespeist. Die Datenkomprimierung ist hier immer noch ratlos. Wenn der Master über eine gute Methode verfügt, teilen Sie uns dies bitte mit.
• Interessierte Partner können miteinander kommunizieren.