UWAFA-GAN

Ce code est l'implémentation pytorch de l' UWAFA-GAN qui a été acceptée par JBHI 2024 nommé « UWAFA-GAN : Transformation de l'angiographie à la fluorescéine ultra-grand angle via une génération multi-échelle et une amélioration de l'enregistrement ». Il peut être utilisé pour transformer l'ophtalmoscopie laser à balayage UWF (UWF-SLO) en angiographie à la fluorescéine UWF (UWF-FA) et afficher les minuscules zones de lésions vasculaires et pourrait être formé sur un petit désalignement associé à l'UWF-SLO et à l'UWF-FA.

Génération UWF-FA à partir de UWF-SLO avec de jolis détails

Pré-requis

Linux
python>=3.7
GPU NVIDIA (mémoire>=10G) + CUDA cuDNN

Comment s'entraîner

Préparation des données

Nous naviguons avec diligence à travers les procédures éthiques et d'approbation pour fournir de grandes quantités de données pouvant être entraînées qui peuvent améliorer l'exhaustivité de notre code open source. Cependant, à l’heure actuelle, nous ne sommes pas en mesure de divulguer publiquement des volumes substantiels de données. Nous apprécions votre compréhension à ce sujet. Cependant, si vous disposez de vos propres données, vous pouvez toujours vous entraîner et générer à l’aide de notre code. Nous supposons que vos données, avec le suffixe ".jpg", se trouvent dans le chemin "dataset/yours" , nous devons d'abord les recadrer au hasard dans l'ensemble de données d'entraînement.

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

Cela recadrera les 100 paires d'images suffixe-jpg du chemin "dataset/yours" et placera le résultat dans le chemin "dataset/data_slo2ffa" . Ensuite, la procédure de formation peut être exercée. Recherchez le fichier yaml dans le chemin "config/train_config.yaml", en vous assurant que son data_path est correct.

Une partie de 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]

et exécutez la commande :

 python -u train_changed.py

Commencez l'évaluation

Nous fournissons 6 paires d'exemples pour l'évaluation dans dataset/example_pairs , si vous n'avez que UWF-SLO et que vous pouvez également l'essayer. Pour évaluer, le premier UWF-SLO doit être nommé 1.jpg, le second 2.jpg... Tout comme dans dataset/example_pairs

configuration du point de contrôle

Téléchargez le exp_final et assurez-vous que le chemin "./weights/exp_final" est correct. Le répertoire "exp_final" doit contenir trois éléments :

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

et exécutez la commande :

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

Le résultat sera enregistré dans le chemin dataset/example_pairs

Citation

 @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}
}

Développer

Informations supplémentaires