整体实验介绍
实验主要是结合DBGAN对抗网络+强化学习增强+迁移学习增强实现青光眼图像去模糊。今天则是先完成了DBGAN板块模型的训练。
实验背景介绍
青光眼的主要特征有：
视盘形态与杯盘比CDR：青光眼患者主要表现为视杯扩大，盘沿变窄。
视网膜神经纤维RNFL：RNFL的厚度与完整性也是一个特征，青光眼患者可见局部或弥漫性变薄透光性增加。
OCT影像可量化RNFL厚度，正常值与年龄相关，青光眼患者常出现RNFL厚度低于年龄匹配标准值（如<5%分位为黄色预警，<1%为红色）
OCTA影像可显示盘周微血管密度降低，与RNFL变薄区域相关。
实验流程介绍
先整理得到的青光眼数据，青光眼的各个主要特征数据，之后训练多分类多分割模型（能更好的将关键区域分割，青光眼分级，用来辅助判断），然后迁移进DBGAN对抗微调，训练去模糊模型。
数据介绍：
首先我先介绍一下我有的数据
Annotations_Merged：合并的标注文件夹。(这是在一开始做的整理合并工作）
Images：原始图像文件夹。
Images_Cropped：裁剪后的图像文件夹。
Images_Square：调整为方形的图像文件夹。
Masks：掩膜文件夹，通常用于图像分割。
Masks_Cropped：裁剪后的掩膜文件夹。
Masks_Square：调整为方形的掩膜文件夹。
Semi-automatic-annotations：半自动标注文件夹。
data_index.json：数据索引文件，包含数据集的元数据。
index_errors.log：索引错误日志文件，记录索引构建过程中遇到的错误。
merged_labels.csv：合并的标签文件，包含图像的标签信息。（在一开始合并的工作生成的，这是把下面两个csv文件合并了）
origa_info.csv：包含图像信息的CSV文件。
OrigaList.csv：包含图像列表的CSV文件。
merged_labels.csv文件
image_id：图像的唯一标识符。
CDR：杯盘比（Cup-to-Disc Ratio），是青光眼诊断中的一个重要指标，用于评估视神经的健康状况。
Ecc-Cup：视杯的偏心率，用于描述视杯的形状特征。
Ecc-Disc：视盘的偏心率，用于描述视盘的形状特征。
Glaucoma：是否为青光眼病例，0表示非青光眼，1表示青光眼。
Eye：图像来自左眼（OS）还是右眼（OD）。
预训练模型介绍
一个是分类模型，一个是分割模型。
数据的验证和整理
实验代码的一开始都是在做一些数据的验证和整理
训练多任务多分类模型
此模型能够：
1.分类任务：判断图像是否显示青光眼特征。2.分割任务：定位和分割视盘和视杯区域。
数据加载模块 (ORIGADataset 类)
之后划分训练集验证集(8：2)，接着使用数据增强技术（如随机旋转、水平翻转）来提高模型的泛化能力。
这里定义如何获取数据集中的一项数据——（根据索引获取图像和掩膜的路径。），方便后面数据的获取
之后我将图像和掩膜调整为统一尺寸，并将掩膜转换为二值掩膜。
模型构建模块 (MultiTaskModel 类)
定义了一个多任务学习模型，用于同时进行分类和分割任务。
使用 PyTorch 的预训练模型 fcn_resnet50 作为基础模型。
提取基础模型的编码器部分，用于特征提取。
定义分类器部分，将特征映射到两个类别（青光眼或非青光眼）。
训练流程模块 (train_model 函数)
设置参数，开始训练模型。
基于DBGAN的去模糊模型
代码实现了一个深度学习模型，用于从模糊的医学影像中恢复清晰图像。该模型基于生成对抗网络（GAN），包含生成器和判别器两个主要组件。生成器负责将模糊图像转换为清晰图像，而判别器则负责区分生成的图像和真实的清晰图像。通过对抗训练，生成器学习到如何生成更真实的清晰图像。
模型定义
生成器Generator
Generator：生成器采用U-Net架构，包含下采样、瓶颈层和上采样部分。下采样部分通过卷积和池化操作提取图像特征，瓶颈层进一步处理特征，上采样部分通过反卷积操作恢复图像尺寸。最终输出去模糊后的图像。
判别器
Discriminator：判别器采用PatchGAN架构，用于判断输入的图像是真实的还是生成的。它接收模糊图像和清晰图像（或生成图像）作为输入，输出判别结果。
数据预处理
生成模糊图像（作为判别器的输入）。
SafeBlur：自定义的模糊处理类，用于在数据增强时对图像进行高斯模糊。
DeblurDataset：自定义的数据集类，用于加载和预处理图像数据。它从JSON文件中读取数据索引，应用数据增强，并返回模糊图像和对应的清晰图像。
训练模块
DBGAN对抗训练
这里先训练了没加入强化学习的一个DBGAN。
下面是模型的检验
PSNR (32.83 dB)
超过30 dB的医学影像处理基准线与顶级期刊《Medical Image Analysis》中青光眼图像增强研究（平均PSNR 31.2 dB）相比，提升约5%SSIM (0.8827)
达到眼科设备厂商标准（如蔡司眼底相机软件要求SSIM≥0.85）在血管分支处的结构相似性可达0.91，黄斑区域0.86