Digital-Image-Processing-Project

数字图像处理 project：高血压视网膜病变图像的分类

详细的项目记录、文件功能描述、命令行参数等内容请见 RECORD

项目介绍

心血管疾病一直是导致全球死亡的主要原因之一，其中高血压是一个重要的危险因素。为了早期检测和识别高血压，本小组开发了一个辅助系统，利用深度学习算法对高血压引起的视网膜损伤（高血压视网膜病变）进行自动诊断。本小组预选多个网络模型进行分类训练，最终选出 ResNet 和 DenseNet 作为 Backbone 来进一步优化性能。本小组通过数据增强、迁移学习、交叉验证、集成学习等方法，克服了训练过程中的种种困难，提高了模型的泛化能力，解决了数据集不足导致的过拟合问题，最终在比赛网站测试集上获得了0.6138的得分。

环境

详细环境见requirements.txt。主要环境为

• cuda11.8
• python3.7
• pytorch2.1.0

文件说明

• scripts/ 运行脚本所在文件夹
• network/ 模型代码所在文件夹
• src/
  • src/data.py 实现数据读取等功能
  • src/transform.py 实现数据预处理、数据增强等功能
  • src/utils.py 实现了一些杂项功能，如保存模型参数、训练结果等
  • src/train.py 实现了模型训练功能
• visual/
  • visual/show_result.py 实现训练结果的转换和可视化
  • visual/visual.py 获得转换过后的样例图片
• upload_dir/ 模型训练完毕后，用于测试提交的缓冲区

项目运行

训练模型

运行以下命令，训练模型。运行脚本中的参数需要根据情况修改。

# Linux
bash scripts/train.sh

# Windows
scripts/train.bat

可视化

运行以下命令生成样例图片。在运行前，请正确设置合适的参数。

# Linux
bash scripts/visual.sh

# Windows
scripts/visual.bat

运行以下命令根据.csv结果文件获取可视化数据。

# Linux
bash scripts/show_result.sh

# Windows
scripts/show_result.bat

项目结果

• 使用多模型集成：0.6138
• 运用数据增强、交叉验证、迁移学习的 DenseNet121：0.5964