UWAFA-GAN

Dieser Code ist die Pytorch-Implementierung des UWAFA-GAN , das von JBHI 2024 mit dem Namen „UWAFA-GAN: Ultra-Wide-Angle Fluorescein Angiography Transformation via Multi-scale Generation and Registration Enhancement“ akzeptiert wurde. Es kann verwendet werden, um die UWF-Scanning-Laser-Ophthalmoskopie (UWF-SLO) in die UWF-Fluorescein-Angiographie (UWF-FA) umzuwandeln und die winzigen Gefäßläsionsbereiche anzuzeigen, und kann auf eine kleine Fehlausrichtung gepaart mit UWF-SLO und UWF-FA trainiert werden.

Generation UWF-FA von UWF-SLO mit schönen Details

Voraussetzungen

Linux
Python>=3.7
NVIDIA GPU (Speicher >=10G) + CUDA cuDNN

Wie man trainiert

Aufbereitung der Daten

Wir durchlaufen gewissenhaft Ethik- und Genehmigungsverfahren, um große Mengen trainierbarer Daten bereitzustellen, die die Vollständigkeit unseres Open-Source-Codes verbessern können. Allerdings ist es uns derzeit nicht möglich, größere Datenmengen öffentlich zugänglich zu machen. Wir bedanken uns für Ihr Verständnis in dieser Angelegenheit. Wenn Sie jedoch über eigene Daten verfügen, können Sie diese dennoch mit unserem Code trainieren und generieren. Wir gehen davon aus, dass sich Ihre Daten mit dem Suffix „.jpg“ im Pfad „dataset/yours“ befinden. Zuerst müssen wir sie zufällig in den Trainingsdatensatz zuschneiden.

 python utils/advan_random_crop.py --datadir dataset/yours  --output_dir dataset/data_slo2ffa --suffix .jpg --index_interval 0 --index_interval 100

Dadurch werden die 100 Paare von Suffix-JPG-Bildern aus dem Pfad „dataset/yours“ zugeschnitten und das Ergebnis in den Pfad „dataset/data_slo2ffa“ eingefügt. Anschließend kann der Trainingsvorgang durchgeführt werden. Suchen Sie die Yaml-Datei im Pfad „config/train_config.yaml“ und stellen Sie sicher, dass der Datenpfad korrekt ist.

Teil von train_config.yaml

 batchsize: 4
epoch: 40
num_D: 2
n_layers: 4

# validation setting
validation_epoch: 41
val_dir: ''

# dataloader
data_path: ["dataset/data_slo2ffa"]
val_length: 900
seed: -1 
img_size: [832, 1088]

und führen Sie den Befehl aus:

 python -u train_changed.py

Beginnen Sie mit der Auswertung

Wir stellen 6 Beispielpaare zur Auswertung in dataset/example_pairs zur Verfügung, wenn Sie nur UWF-SLO haben und es auch ausprobieren können. Zur Auswertung sollte das erste UWF-SLO als 1.jpg benannt werden, das zweite als 2.jpg ... Genau wie in dataset/example_pairs

Prüfpunkt konfigurieren

Laden Sie exp_final herunter und stellen Sie sicher, dass der Pfad „./weights/exp_final“ korrekt ist. Das Verzeichnis „exp_final“ sollte drei Elemente enthalten:

 ├── exp_final
    ├──discriminator.pt
    ├──generator.pt
    ├──reg.pt

und führen Sie den Befehl aus:

python -u utils/Model_evaluation_without_ffa.py --updir dataset/example_pairs 
    --model_updir weights/exp_final

Das Ergebnis wird im Pfad dataset/example_pairs gespeichert

Zitat

 @article{ge2024uwafa,
  title={UWAFA-GAN: Ultra-Wide-Angle Fluorescein Angiography Transformation via Multi-scale Generation and Registration Enhancement},
  author={Ge, Ruiquan and Fang, Zhaojie and Wei, Pengxue and Chen, Zhanghao and Jiang, Hongyang and Elazab, Ahmed and Li, Wangting and Wan, Xiang and Zhang, Shaochong and Wang, Changmiao},
  journal={IEEE Journal of Biomedical and Health Informatics},
  year={2024},
  publisher={IEEE}
}

Expandieren

Zusätzliche Informationen