在这个项目中，我们的目标是实现在 检测癌症转移一文中提出的多尺度转移分类模型。
我们使用千兆像素幻灯片数据。从主数据集中采集了一组 22 张具有显着肿瘤的载玻片。每张幻灯片都有一个相应的掩码，用于注释肿瘤区域。我们可以访问大约 9 个放大级别。
每个多尺度图像都存储在另一个顶部，具有一致的坐标系，以允许用户访问任何放大率的任何图像片段。
我们利用 OpenSlide C 库及其 Python 绑定来有效访问千兆像素大小的压缩文件。
作为生成标记训练数据的第一步，我们使用滑动窗口方法在更高的缩放级别上滑动并创建滑动段的标记图像，我们稍后将使用这些图像进行训练和测试。
我们使用论文中遵循的方法，我们定义了一个中心窗口，如果中心包含至少 1 个标记为肿瘤的像素，我们将图像标记为包含肿瘤细胞。
窗口大小和中心大小分别选择为 80 和 50。 最后，为了使我们的训练数据具有多尺度，我们创建了原始图像片段的类似大小的缩小版本。 缩小版本用于为分类模型提供宏观级别的上下文。 我们使用多尺度方法生成了数据，并使用了两种不同的放大倍数来准备数据集。
我们使用了各种数据增强技术来补充我们的训练数据并使我们的模型更加健壮。
我们引入了正交增强来引入旋转不变性，因为可以在任何这些方向检查幻灯片
为了使我们的模型对光照和染色强度具有鲁棒性，我们对颜色进行了如下扰动。