企业官网建设流程全解析

大家好，我是专注于技术实战分享的博主。在医学影像分析领域，如何从复杂的病理切片图像中自动、定量地识别和定位肿瘤的生长模式，一直是计算机视觉辅助诊断的难点。传统的目视评估耗时耗力且存在主观差异。本文将深入探讨如何利用经典的Bag-of-Visual-Words（视觉词袋，BoVW）模型，结合空间映射技术，实现对肺腺癌生长模式的自动化分类与可视化定位。无论你是计算机视觉的初学者，还是希望将传统CV方法应用于特定领域（如医疗影像）的开发者，都能通过本文掌握一套从理论到代码的完整流程。

1. 背景与核心概念：为什么是视觉词袋？

在深入代码之前，我们首先要理解问题的本质和所选工具的合理性。

1.1 肺腺癌生长模式分析的任务挑战肺腺癌的病理切片中，癌细胞并非均匀分布，它们会形成不同的生长模式（例如贴壁型、腺泡型、乳头型、微乳头型、实体型等）。病理学家需要在整张高分辨率全切片图像（Whole Slide Image, WSI）中识别并评估这些模式的比例，这对预后判断至关重要。手动完成这项工作极其繁琐，且不同观察者之间可能存在判断差异。因此，自动化、可重复的定量分析工具需求迫切。

1.2 Bag-of-Visual-Words 模型的适配性BoVW 模型源于文本分析中的词袋模型，后被成功引入计算机视觉。其核心思想是：

1. 特征提取：将图像视为“文档”，从图像中提取大量局部特征（如SIFT、SURF），这些特征点相当于“视觉单词”。
2. 构建词典：对所有训练图像提取的特征进行聚类（如K-Means），聚类中心即为“视觉词典”中的“单词”。
3. 图像表示：对于任何一张新图像，提取其特征，并统计每个“视觉单词”出现的频率，形成该图像的直方图表示。这个过程丢弃了特征的空间位置信息，只保留频率信息，故称“词袋”。
4. 分类：将图像的直方图表示作为特征向量，输入分类器（如SVM、随机森林）进行训练和预测。

对于医学影像分类任务，BoVW 的优势在于：

• 对局部特征鲁棒：不依赖于全局的、固定的结构，能很好地捕捉纹理、细胞形态等局部模式。
• 可解释性：可以通过分析哪些“视觉单词”对分类贡献大，反向关联到图像局部区域。
• 技术成熟：流程清晰，无需极深的网络和大量数据也能取得不错效果，非常适合作为传统CV方法入门的典型案例。

1.3 空间映射的引入经典BoVW模型丢失了空间信息，这对于需要定位生长模式的我们来说是不可接受的。因此，空间映射（Spatial Mapping）成为关键。其思路是：我们不将整张图像编码为一个直方图，而是将图像划分为多个小块（例如，将WSI划分为成千上万个固定大小的小图块）。对每个小图块独立应用BoVW模型，得到其类别概率或特征向量。最终，根据每个小图块的位置和预测结果，生成一张彩色的“热图”或“分类图”，直观显示不同生长模式在整张切片中的空间分布。这就是“Spatial Mapping of Growth Patterns”的核心。

2. 环境准备与版本说明

本项目主要使用 Python 及其科学计算和计算机视觉库。以下环境配置已通过测试。

• 操作系统： Ubuntu 20.04 LTS / Windows 10+ WSL2 / macOS。Linux 环境在依赖安装上最为顺畅。
• Python 版本： 3.8 或 3.9。避免使用 Python 3.10+ 可能存在的某些库兼容性问题。
• 核心库及版本：
  • opencv-python(4.5.5.64)： 用于图像读取、预处理和SIFT特征提取。
  • scikit-learn(1.0.2)： 用于K-Means聚类、标准化和分类器（SVM）。
  • scikit-image(0.19.2)： 用于图像处理和图块划分。
  • numpy(1.22.3)： 数值计算基础。
  • matplotlib(3.5.1) &seaborn(0.11.2)： 结果可视化。
  • tqdm(4.64.0)： 显示进度条。
  • Pillow(9.1.0)： 图像处理辅助。

项目结构建议：

lung_adenocarcinoma_bovw/ ├── data/ │ ├── train/ │ │ ├── pattern_A/ # 存放贴壁型训练图像 │ │ ├── pattern_B/ # 存放腺泡型训练图像 │ │ └── ... │ └── test/ │ └── patient_01.svs # 测试用的整张WSI（或大图） ├── src/ │ ├── config.py # 参数配置文件 │ ├── feature_extraction.py │ ├── dictionary_learning.py │ ├── spatial_encoding.py │ ├── classifier_training.py │ ├── spatial_mapping.py │ └── utils.py ├── output/ │ ├── visual_vocabulary.npy │ ├── svm_model.pkl │ └── spatial_maps/ └── requirements.txt

你可以通过以下命令快速安装依赖：

pip install opencv-python==4.5.5.64 scikit-learn==1.0.2 scikit-image==0.19.2 numpy==1.22.3 matplotlib==3.5.1 seaborn==0.11.2 tqdm==4.64.0 Pillow==9.1.0

注意：OpenCV 默认的opencv-python包不包含专利保护算法（如 SIFT）。如果你需要 SIFT，请安装opencv-contrib-python，或者从源码编译 OpenCV 并开启OPENCV_ENABLE_NONFREE。本文示例使用opencv-contrib-python。

3. 核心原理与流程拆解

整个项目流程可以分解为离线训练和在线推理两个阶段，下图清晰地展示了从数据到最终空间热图的完整闭环：

flowchart TD A[输入: 已标注的<br>训练图像块] --> B[特征提取<br>SIFT/SURF] B --> C[视觉词典学习<br>K-Means聚类] C --> D[训练集图像编码<br>生成BoVW特征向量] D --> E[训练分类器<br>如SVM] F[输入: 待分析的<br>整张WSI] --> G[图像分块] G --> H[单图块特征提取与编码] H --> I[分类器预测<br>每个图块的类别] I --> J[空间映射与可视化<br>生成分类热图] C -- 视觉词典 --> H E -- 分类模型 --> I

3.1 特征提取：从图像到局部描述子

我们使用 SIFT（Scale-Invariant Feature Transform）算法。SIFT 能够检测图像中的关键点，并计算每个关键点周围区域的128维描述子，该描述子对尺度、旋转和亮度变化具有一定的不变性。

# src/feature_extraction.py import cv2 import numpy as np from tqdm import tqdm import os def extract_sift_features_from_image(image_path): """从单张图像提取SIFT特征""" img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) # 转为灰度图 if img is None: print(f"Warning: Could not read image {image_path}") return None # 初始化SIFT检测器 sift = cv2.SIFT_create() # 检测关键点并计算描述子 keypoints, descriptors = sift.detectAndCompute(img, None) if descriptors is not None: # 描述子是一个 (n_keypoints, 128) 的numpy数组 return descriptors else: return np.array([]).reshape(0, 128) # 返回空数组，保持维度一致 def extract_sift_features_from_directory(data_dir, pattern_folders): """从指定目录的所有子文件夹（代表不同类别）中提取特征""" all_descriptors = [] all_labels = [] for label_idx, pattern in enumerate(pattern_folders): folder_path = os.path.join(data_dir, pattern) image_files = [f for f in os.listdir(folder_path) if f.endswith(('.png', '.jpg', '.tif'))] print(f"Processing class '{pattern}' with {len(image_files)} images...") for img_file in tqdm(image_files): img_path = os.path.join(folder_path, img_file) descriptors = extract_sift_features_from_image(img_path) if descriptors is not None and len(descriptors) > 0: all_descriptors.append(descriptors) # 为每个描述子打上相同的标签 all_labels.extend([label_idx] * len(descriptors)) # 将所有描述子堆叠成一个大的数组 (N_total_descriptors, 128) if all_descriptors: all_descriptors = np.vstack(all_descriptors) else: all_descriptors = np.array([]).reshape(0, 128) all_labels = np.array(all_labels) return all_descriptors, all_labels

关键点：extract_sift_features_from_directory函数返回两个数组，一个是所有描述子的集合，另一个是对应的类别标签。注意，这里标签是打在每个描述子上的，而不是每张图像。这在后续构建词典时用于分析词典单词的判别力，但在标准BoVW流程中，K-Means聚类本身是无监督的，不依赖标签。

3.2 视觉词典学习：聚类生成视觉单词

我们将从所有训练图像中提取的数十万甚至上百万个SIFT描述子进行聚类。每个聚类中心就是一个“视觉单词”，所有聚类中心构成“视觉词典”。词典大小（聚类数K）是一个超参数，通常根据经验在500-2000之间选择。

# src/dictionary_learning.py import numpy as np from sklearn.cluster import MiniBatchKMeans import joblib import os def learn_visual_vocabulary(descriptors, vocab_size=500, batch_size=1000, random_state=42): """ 使用MiniBatchKMeans学习视觉词典 参数: descriptors: 所有训练描述子，形状 (n_samples, n_features) vocab_size: 视觉词典大小，即聚类数量K batch_size: MiniBatchKMeans的批大小 random_state: 随机种子，保证可复现 返回: kmeans: 训练好的KMeans模型 """ if len(descriptors) < vocab_size: print(f"Warning: Number of descriptors ({len(descriptors)}) is less than vocab_size ({vocab_size}). Reducing vocab_size.") vocab_size = len(descriptors) print(f"Clustering {len(descriptors)} descriptors into {vocab_size} visual words...") # 使用MiniBatchKMeans加速大规模数据聚类 kmeans = MiniBatchKMeans(n_clusters=vocab_size, batch_size=batch_size, random_state=random_state, verbose=1) kmeans.fit(descriptors) print(f"Visual vocabulary learned. Cluster centers shape: {kmeans.cluster_centers_.shape}") return kmeans def save_vocabulary(model, filepath): """保存视觉词典（KMeans模型）到文件""" joblib.dump(model, filepath) print(f"Vocabulary saved to {filepath}") def load_vocabulary(filepath): """从文件加载视觉词典""" model = joblib.load(filepath) print(f"Vocabulary loaded from {filepath}") return model

为什么用MiniBatchKMeans？标准的K-Means算法需要计算所有样本点到所有质心的距离，复杂度高。MiniBatchKMeans使用小批量数据迭代更新质心，大大降低了内存消耗和计算时间，尤其适合处理海量特征描述子，且效果接近标准K-Means。

3.3 图像编码：生成BoVW特征向量

对于一张图像（或一个图块），我们提取其SIFT描述子，然后对于每个描述子，在视觉词典中找到距离最近的视觉单词（即所属的聚类），并统计所有描述子所属单词的直方图。这个直方图就是该图像的BoVW表示。

# src/spatial_encoding.py import numpy as np from sklearn.preprocessing import normalize def encode_image_with_bovw(descriptors, kmeans_model): """ 将图像的描述子编码为BoVW直方图 参数: descriptors: 单张图像的描述子，形状 (n_descriptors, 128) kmeans_model: 训练好的KMeans模型 返回: bovw_vector: 归一化的BoVW直方图，形状 (vocab_size,) """ if descriptors is None or len(descriptors) == 0: # 如果图像没有提取到特征，返回全零向量 return np.zeros(kmeans_model.n_clusters) # 预测每个描述子属于哪个视觉单词（聚类） visual_word_ids = kmeans_model.predict(descriptors) # 形状 (n_descriptors,) # 统计直方图 bovw_hist, _ = np.histogram(visual_word_ids, bins=np.arange(kmeans_model.n_clusters + 1), density=False) # 可选：进行归一化，消除图像大小（特征数量）的影响 # L2归一化是常见选择 bovw_vector = normalize(bovw_hist.reshape(1, -1), norm='l2').flatten() return bovw_vector def create_bovw_features_for_dataset(image_paths, kmeans_model): """ 为数据集中的多张图像生成BoVW特征矩阵 参数: image_paths: 图像路径列表 kmeans_model: 视觉词典模型 返回: X: 特征矩阵，形状 (n_images, vocab_size) """ from .feature_extraction import extract_sift_features_from_image X = [] print(f"Encoding {len(image_paths)} images into BoVW features...") for img_path in tqdm(image_paths): desc = extract_sift_features_from_image(img_path) bovw_vec = encode_image_with_bovw(desc, kmeans_model) X.append(bovw_vec) return np.array(X)

4. 完整实战案例：肺腺癌生长模式空间映射

现在，我们将上述模块串联起来，完成一个端到端的示例。假设我们的数据已经准备好，训练集是已裁剪好的、标注好生长模式的小图块，测试集是一张完整的WSI大图。

4.1 第一步：训练视觉词典和分类器

我们首先在训练集图块上训练出视觉词典和分类器。

# src/classifier_training.py import os import numpy as np from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.metrics import classification_report, confusion_matrix import joblib from .feature_extraction import extract_sift_features_from_directory from .dictionary_learning import learn_visual_vocabulary, save_vocabulary from .spatial_encoding import create_bovw_features_for_dataset def train_pipeline(train_data_dir, vocab_size=800, test_size=0.2, random_state=42): """ 完整的训练流程 1. 提取训练集所有描述子 2. 学习视觉词典 3. 将训练图像编码为BoVW特征 4. 训练SVM分类器 """ # 假设训练数据按类别存放在子文件夹中 pattern_folders = ['lepidic', 'acinar', 'papillary', 'micropapillary', 'solid'] # 示例类别 # 1. 提取特征 print("Step 1: Extracting SIFT features from training patches...") all_descriptors, descriptor_labels = extract_sift_features_from_directory(train_data_dir, pattern_folders) # 2. 学习视觉词典 print("\nStep 2: Learning visual vocabulary...") kmeans_model = learn_visual_vocabulary(all_descriptors, vocab_size=vocab_size, random_state=random_state) save_vocabulary(kmeans_model, '../output/visual_vocabulary.pkl') # 3. 准备图像级标签和路径 print("\nStep 3: Preparing image-level data...") image_paths = [] image_labels = [] for label_idx, pattern in enumerate(pattern_folders): folder_path = os.path.join(train_data_dir, pattern) for img_file in os.listdir(folder_path): if img_file.lower().endswith(('.png', '.jpg', '.jpeg', '.tif', '.tiff')): image_paths.append(os.path.join(folder_path, img_file)) image_labels.append(label_idx) # 4. 将每张训练图像编码为BoVW特征向量 print("\nStep 4: Encoding training images into BoVW features...") X = create_bovw_features_for_dataset(image_paths, kmeans_model) y = np.array(image_labels) # 5. 划分训练集和验证集 X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=test_size, random_state=random_state, stratify=y) # 6. 训练分类器（这里使用线性SVM，适合高维特征） print("\nStep 5: Training SVM classifier...") svm_classifier = SVC(kernel='linear', C=1.0, probability=True, random_state=random_state) # 启用概率估计，便于后续分析 svm_classifier.fit(X_train, y_train) # 7. 在验证集上评估 y_pred = svm_classifier.predict(X_val) print("\n=== Classification Report on Validation Set ===") print(classification_report(y_val, y_pred, target_names=pattern_folders)) print("\n=== Confusion Matrix ===") print(confusion_matrix(y_val, y_pred)) # 8. 保存模型 joblib.dump(svm_classifier, '../output/svm_classifier.pkl') print("\nModels saved to ../output/") return kmeans_model, svm_classifier, pattern_folders if __name__ == '__main__': # 配置你的训练数据路径 TRAIN_DATA_DIR = '../data/train/' kmeans, svm, class_names = train_pipeline(TRAIN_DATA_DIR, vocab_size=800)

4.2 第二步：整张WSI的空间映射

训练好模型后，我们将其应用于整张WSI，生成空间分类图。

# src/spatial_mapping.py import cv2 import numpy as np from skimage.util import view_as_windows import matplotlib.pyplot as plt from matplotlib import colors from .feature_extraction import extract_sift_features_from_image from .spatial_encoding import encode_image_with_bovw def generate_spatial_map(wsi_path, kmeans_model, classifier, class_names, patch_size=256, stride=128): """ 对整张WSI进行滑动窗口预测，生成空间分类图 参数: wsi_path: 全切片图像路径（可能是.svs, .tif等，这里假设已转换为金字塔TIFF或大图） kmeans_model: 视觉词典模型 classifier: 训练好的分类器 class_names: 类别名称列表 patch_size: 滑动窗口大小（像素） stride: 滑动步长（像素） 返回: prediction_map: 预测类别ID的矩阵 probability_maps: 每个类别的概率矩阵列表 """ # 注意：真实WSI非常大，需要专用库（如openslide）读取。这里假设已加载为numpy数组 `wsi_image` # 以下为简化示例，使用OpenCV读取一个大的测试图像 wsi_image = cv2.imread(wsi_path) if wsi_image is None: # 如果是.svs格式，需要使用 openslide # import openslide # slide = openslide.OpenSlide(wsi_path) # level = slide.level_count - 1 # 读取最低分辨率层级 # wsi_image = np.array(slide.read_region((0,0), level, slide.level_dimensions[level]))[:, :, :3] # slide.close() raise ValueError(f"Could not read image from {wsi_path}") # 转换为灰度图用于特征提取（SIFT需要灰度） wsi_gray = cv2.cvtColor(wsi_image, cv2.COLOR_BGR2GRAY) h, w = wsi_gray.shape # 初始化输出矩阵 # 计算预测图的大小（基于步长） map_h = (h - patch_size) // stride + 1 map_w = (w - patch_size) // stride + 1 prediction_map = np.full((map_h, map_w), -1, dtype=np.int8) # -1表示未处理 probability_maps = [np.zeros((map_h, map_w)) for _ in range(len(class_names))] print(f"WSI size: {w}x{h}, Patch size: {patch_size}, Stride: {stride}, Prediction map size: {map_w}x{map_h}") # 滑动窗口遍历 for i in range(0, h - patch_size + 1, stride): for j in range(0, w - patch_size + 1, stride): # 提取图块 patch = wsi_gray[i:i+patch_size, j:j+patch_size] # 提取SIFT特征并编码为BoVW sift = cv2.SIFT_create() kp, desc = sift.detectAndCompute(patch, None) if desc is not None and len(desc) > 10: # 特征点太少可能不可靠 bovw_vec = encode_image_with_bovw(desc, kmeans_model) # 预测 # 获取类别概率 proba = classifier.predict_proba(bovw_vec.reshape(1, -1))[0] pred_class = np.argmax(proba) # 计算在图上的位置索引 map_i = i // stride map_j = j // stride if map_i < map_h and map_j < map_w: prediction_map[map_i, map_j] = pred_class for cls_idx in range(len(class_names)): probability_maps[cls_idx][map_i, map_j] = proba[cls_idx] else: # 无足够特征，可能为背景或空白区域 map_i = i // stride map_j = j // stride if map_i < map_h and map_j < map_w: prediction_map[map_i, map_j] = -1 # 标记为背景 return prediction_map, probability_maps, wsi_image def visualize_spatial_map(prediction_map, class_names, original_image=None, stride=128, patch_size=256): """ 可视化空间分类图 """ # 创建颜色映射 cmap = plt.cm.get_cmap('tab10', len(class_names)) norm = colors.Normalize(vmin=-0.5, vmax=len(class_names)-0.5) fig, axes = plt.subplots(1, 2, figsize=(15, 7)) # 显示原图（如果提供） if original_image is not None: axes[0].imshow(cv2.cvtColor(original_image, cv2.COLOR_BGR2RGB)) axes[0].set_title('Original WSI (Low-res)') axes[0].axis('off') # 显示预测图 # 将预测图放大到与原图对应的坐标 # 这里简化处理，直接显示prediction_map im = axes[1].imshow(prediction_map, cmap=cmap, norm=norm, interpolation='nearest') axes[1].set_title('Predicted Growth Pattern Map') axes[1].axis('off') # 添加颜色条 cbar = fig.colorbar(im, ax=axes[1], ticks=np.arange(len(class_names))) cbar.ax.set_yticklabels(class_names) plt.tight_layout() plt.savefig('../output/spatial_maps/prediction_map.png', dpi=300, bbox_inches='tight') plt.show() print("Spatial map saved to ../output/spatial_maps/prediction_map.png") if __name__ == '__main__': # 加载模型 import joblib kmeans = joblib.load('../output/visual_vocabulary.pkl') svm = joblib.load('../output/svm_classifier.pkl') class_names = ['lepidic', 'acinar', 'papillary', 'micropapillary', 'solid'] # 生成空间映射图 TEST_WSI_PATH = '../data/test/patient_01_lowres.jpg' # 替换为你的测试图像路径 pred_map, prob_maps, original_img = generate_spatial_map(TEST_WSI_PATH, kmeans, svm, class_names, patch_size=256, stride=128) # 可视化 visualize_spatial_map(pred_map, class_names, original_img)

5. 常见问题与排查思路

在实际运行中，你可能会遇到以下典型问题：

6. 最佳实践与工程建议

将 BoVW 模型应用于实际的医学影像分析项目，需要考虑以下工程化细节：

1. 特征工程优化

• 特征融合：SIFT 描述的是局部梯度纹理。对于医学图像，颜色信息（H&E染色）也很重要。可以额外提取颜色直方图、局部二值模式（LBP）纹理特征，与 BoVW 特征拼接，形成多模态特征向量。
• TF-IDF 加权：直接统计词频（TF）会偏向于频繁出现但判别力不强的“视觉单词”。引入逆文档频率（IDF）可以降低常见单词的权重，提升稀有但具有类别特异性的单词的重要性。scikit-learn的TfidfTransformer可以方便实现。
• 空间金字塔匹配（SPM）：为了引入一定的空间信息，可以在图像划分的多个层级（如1x1, 2x2, 4x4网格）上分别计算 BoVW 直方图，然后拼接起来。这能显著提升分类精度，是传统 BoVW 的强力改进。

2. 分类器选择与调参

• SVM 核函数：线性核 (kernel=‘linear’) 通常对高维稀疏的 BoVW 特征效果很好且速度快。如果效果不佳，可以尝试径向基函数核 (kernel=‘rbf’)，但需要小心调参 (C和gamma) 以防止过拟合。
• 集成方法：随机森林（RandomForestClassifier）或梯度提升树（XGBoost）对特征尺度不敏感，且能提供特征重要性排序，有助于理解哪些“视觉单词”贡献大，可解释性强。
• 类别不平衡处理：医学数据常有不平衡问题。在 SVM 中可设置class_weight=‘balanced’。对于其他分类器，可以使用过采样（SMOTE）、欠采样或调整评估指标（如使用 F1-score 或 AUC）。

3. 针对全切片图像（WSI）的工程化处理

• 使用专业库：切勿用cv2.imread直接读取.svs等格式。使用openslide（Python）库，它能高效读取 WSI 的多分辨率金字塔数据。
• 多尺度分析策略：
  1. 低分辨率层（Level 4 或 5）：用于快速扫描，定位肿瘤区域（例如通过简单的阈值分割或预训练的语义分割模型），生成组织掩膜。
  2. 高分辨率层（Level 0 或 1）：仅在肿瘤区域内，进行精细的图块划分和分类。这能极大减少计算量。
• 结果后处理与平滑：直接对每个独立图块分类会产生“椒盐噪声”。可以使用形态学操作（如开闭运算）或条件随机场（CRF）对最终的分类图进行平滑，使同质区域更连续。

4. 模型评估与验证

• 数据集划分：务必按病人划分训练集、验证集和测试集，而不是随机打乱图像。确保同一个病人的所有图块只出现在一个集合中，以避免数据泄露，评估模型泛化能力。
• 评估指标：对于多分类问题，不要只看整体准确率。报告每个类别的精确率（Precision）、召回率（Recall）和 F1-score。对于不平衡数据，宏观平均（Macro-average）F1 比微观平均（Micro-average）更能反映小类的性能。
• 可视化分析：除了最终的热图，还应可视化：
  • 视觉单词：将聚类中心（视觉单词）反向映射到原图，查看它代表的典型局部图案是什么。
  • 混淆矩阵：清晰显示哪些生长模式容易被混淆（如腺泡型与乳头型）。
  • 错误案例：查看分类错误的图块，分析是特征问题、标注噪声还是模型局限。

5. 从传统方法到深度学习的演进BoVW 是一个强大的基线模型。但在数据充足的情况下，基于深度学习的方法（如 CNN）通常能获得更高的性能。你可以将本文的流程作为起点和基线：

• 特征提取替代：用预训练的 CNN（如 ResNet, VGG）的中间层输出作为“深度特征”，替代 SIFT。然后用这些深度特征进行聚类生成“深度视觉词典”，后续流程不变。这通常被称为“深度 BoVW”。
• 端到端训练：直接使用 CNN（如 Patch-based CNN）对每个图块进行分类。虽然需要更多数据和计算资源，但特征学习与分类一体化，性能上限更高。
• 弱监督学习：使用多实例学习（MIL）框架，仅用图像级标签（整张WSI的生长模式构成）来训练模型，避免繁琐的像素级或图块级标注。

掌握 Bag-of-Visual-Words 这一经典范式，不仅让你能完成一个可用的医学影像分析项目，更重要的是理解了图像表示、特征编码和空间分析的核心思想。这为你后续学习更复杂的深度学习方法奠定了坚实的基础。建议读者从本文的代码框架出发，在自己的数据集上尝试调整参数、融合新特征，并逐步对比引入深度学习组件后的效果提升。