这是一个基于PyTorch实现的U-Net医学图像分割项目，专门用于DRIVE（Digital Retinal Images for Vessel Extraction）数据集的血管分割任务。

本项目实现了U-Net架构，用于对眼底图像进行血管分割。U-Net是一种经典的卷积神经网络架构，最初设计用于生物医学图像分割任务。本项目包含数据加载、数据增强、模型定义、损失函数、训练和测试等完整流程。

数据增强是提高模型泛化能力和防止过拟合的重要步骤。本项目的数据增强流程如下：

• 从DRIVE数据集中加载训练图像和对应的血管标注掩码
• 训练集：20张图像及其对应的手工标注
• 测试集：20张图像及其对应的手工标注

对训练数据应用以下增强技术：

• 水平翻转：以100%概率进行水平镜像翻转
• 垂直翻转：以100%概率进行垂直镜像翻转
• 旋转：在±45°范围内随机旋转图像和掩码

原始图像 → 水平翻转 → 垂直翻转 → 旋转增强
    ↓         ↓          ↓          ↓
  4张图像   4张图像    4张图像    4张图像

• 每张原始图像生成4个增强样本（包括原始图像本身）
• 所有图像统一调整为512×512像素大小
• 增强后的数据保存到new_data/目录下
• 训练数据和测试数据分别存储在对应子目录中

new_data/
├── train/
│   ├── image/     # 增强后的训练图像
│   └── mask/      # 对应的血管掩码
└── test/
    ├── image/     # 测试图像（未增强）
    └── mask/      # 测试掩码

• 确保安装所有依赖项（参考requirements.txt）
• 准备DRIVE数据集并完成数据增强预处理

超参数设置：
- 图像尺寸：512×512
- 批次大小：2
- 学习率：1e-4
- 训练轮数：50 epochs
- 损失函数：DiceBCELoss
- 优化器：Adam
- 学习率调度器：ReduceLROnPlateau（耐心期5）

运行命令：

python train.py

• 数据加载：使用DriveDataset加载增强后的训练和验证数据
• 模型初始化：构建U-Net模型并移至GPU（如果可用）
• 训练循环：
  • 每个epoch遍历完整训练集
  • 前向传播计算损失
  • 反向传播更新模型参数
  • 验证集评估模型性能
• 模型保存：自动保存验证损失最低的模型权重
• 学习率调整：根据验证损失动态调整学习率

• 实时显示每个epoch的训练损失和验证损失
• 显示当前学习率
• 记录每个epoch的训练时间
• 保存最佳模型到files/checkpoint.pth

• 确保已训练好的模型权重文件存在（files/checkpoint.pth）
• 准备测试数据集

运行命令：

python test.py

• 模型加载：从检查点文件加载训练好的模型权重
• 数据处理：
  • 遍历测试数据集中的每张图像
  • 图像预处理：归一化、维度调整
  • 掩码加载和预处理
• 模型推理：
  • 对每张图像进行前向传播预测
  • 应用Sigmoid激活函数
  • 二值化处理（阈值0.5）
• 结果生成：
  • 将原始图像、真实掩码、预测结果横向拼接
  • 保存对比图像到results/目录
  • 计算各项评估指标

• 可视化结果：在results/目录下生成对比图像
• 性能指标：
  • Jaccard Score (IoU)：交并比
  • F1 Score：F1得分
  • Recall：召回率
  • Precision：精确率
  • Accuracy：准确率
• 性能统计：平均处理速度（FPS）

测试结果按以下格式保存：

results/
├── 01_test_0.png    # 第1张测试图像的结果
├── 02_test_0.png    # 第2张测试图像的结果
└── ...              # 其他测试图像结果

• data.py: 定义了DRIVE数据集的PyTorch数据加载器
• data_aug.py: 包含数据加载和增强功能
• loss.py: 定义了Dice损失和Dice BCE损失函数
• model.py: 实现了U-Net模型架构
• train.py: 训练脚本
• test.py: 测试脚本，包含评估指标
• utils.py: 包含工具函数，如随机种子设置、目录创建等

U-Net包含以下组件：

• 编码器块（Encoder blocks）
• 解码器块（Decoder blocks）
• 跳跃连接（Skip connections）
• 瓶颈层（Bottleneck layer）

项目使用了两种损失函数：

• Dice Loss
• Dice BCE Loss（Dice损失和二元交叉熵损失的组合）

1. 准备DRIVE数据集
2. 运行data_aug.py进行数据预处理和增强
3. 运行train.py开始训练模型
4. 训练完成后，运行test.py评估模型性能

测试脚本计算以下评估指标：

• Jaccard Score (IoU)
• F1 Score
• Recall
• Precision
• Accuracy

项目依赖项详见requirements.txt文件。

请根据您的需要添加许可证信息。