胃試鏡疾病判斷系統
項目概述
本項目是一個基於深度學習的胃試鏡疾病自動診斷系統，主要用於檢測和分類胃部疾病，特別是胃癌（CA）。系統採用了分割和分類的兩階段方法，首先對胃試鏡圖像進行分割以識別可疑區域，然後對這些區域進行分類以確定是否存在疾病。
- 資料集類別: 3分類(胃癌、非胃癌但有病、正常資料)
- 基礎模型: Xception
主要功能
- 圖像預處理：包括直方圖均衡化、自適應直方圖均衡化、銳化、HSV調整、伽馬校正等多種圖像增強方法
- 數據增強：通過圖像生成器擴充訓練數據集
- 疾病分割：使用GastroSegNet模型對胃試鏡圖像中的可疑區域進行分割
- 疾病分類：使用修改版Xception模型對分割後的區域進行分類，分為正常（Normal）、胃癌（CA）和待確認（Have_Question）三類
- 結果可視化：提供混淆矩陣、訓練曲線等可視化工具
系統架構
系統採用了兩階段的處理流程：
- 分割階段：使用GastroSegNet模型對輸入圖像進行分割，識別可疑區域
- 分類階段：
- 第一組分類器：區分正常（Normal）和其他（Others）
- 第二組分類器：區分胃癌（CA）和待確認（Have_Question）
環境要求
- Python 3.8+
- PyTorch 1.8+
- CUDA（推薦用於加速訓練）
- 其他依賴庫：torchvision, numpy, opencv-python, scikit-image, pandas等
使用方法
數據準備
- 將訓練數據放置在
../Dataset/Training目錄下 - 將測試數據放置在
../Dataset/Testing目錄下 - 標註數據（XML格式）放置在
../Label_Image目錄下
訓練模型
uv run main.py
訓練過程將自動執行以下步驟：
- 數據預處理和增強
- 訓練分割模型（GastroSegNet）
- 使用分割模型處理圖像
- 訓練分類模型（修改版Xception）
結果查看
訓練結果將保存在../Result目錄下，包括：
- 訓練曲線圖：
../Result/Training_Image - 混淆矩陣：
../Result/Matrix_Image - 訓練結果數據：
../Result/Training_Result - 最佳模型：
../Result/save_the_best_model
項目結構
main.py：程序入口點experiments/：實驗相關代碼experiment.py：實驗主流程Training/：訓練相關代碼Models/：模型定義
Image_Process/：圖像處理相關代碼Model_Loss/：損失函數定義Training_Tools/：訓練工具utils/：工具函數和配置
配置說明
系統配置在utils/Stomach_Config.py中定義，主要包括：
Image_Enhance：圖像增強方法Loading_Config：數據加載配置Training_Config：訓練參數配置Model_Config：模型參數配置Save_Result_File_Config：結果保存路徑配置
模型說明
分割模型（GastroSegNet）
用於識別胃試鏡圖像中的可疑區域，輸出分割掩碼。
分類模型（修改版Xception）
基於Xception架構，針對胃試鏡圖像分類任務進行了修改，主要用於區分正常、胃癌和待確認三類。
- 主執行檔: main.py
load_process
負責讀取影像檔案、分割獨立資料(測試、驗證)、讀取獨立資料、一般檔案的操作
- File_Process : 檔案操作的主程式，包含開檔、創立檔案、判斷檔案是否存在等都是他負責的範圍。是一般物件也是LoadData的父物件
- LoadData : 讀檔主程式，一切讀檔動作由他開始。繼承File_Process(子物件)
- Cutting_Indepentend_Image : 讀取獨立資料(testing、Validation)的物件
Calculate_Process
計算模型的評估指標的內容
- Calculate: 計算模型的評估指標的平均跟標準差，並將結果儲存到檔案中
Image_Process
負責進行資料擴增、影像處理等的操作
- Image_Generator : 負責製造資料擴增的資料，並將資料存到檔案中。
- image_enhancement : 負責進行影像處理將資料強化。
all_models_tools
模型的調控細節，如early stop、降低學習率和儲存最佳模型
- all_model_tools: call back的方法
Model_Tools
負責進行模型的基礎架構，包含Convolution、Dense、以及其他模型的配件
-
All_Model_Tools : 所有模型的附加工具，是所有的父類別
CNN
包含所有CNN的工具與應用架構
- CNN_Tools : 為卷積層的工具，包含一維、二維、三維捲積。CNN_Application的父類別，繼承All_Model_Tools(子類別)
- CNN_Application : 為Convolution的應用架構。繼承CNN_Tools(子類別)
Dense
包含所有Dense的應用
- Dense_Application : 為全連階層工具，包含一般Dense layer與增加正則化之Dense layer。繼承All_Model_Tools()
Model_Construction
包含所有要進行實驗的模型架構
- Model_Constructions : 所有模型的實驗架構
Data_Merge
負責進行資料的合併
- Merge : 負責合併Dict、List到List並匯出
initalization
負責初始化特定物件
- Img_initalization : 針對影像資料的初始化
- Data_Initalization : 針對數據資料的初始化
Validation_Program
負責驗證程式碼內的資料型態或輸入錯誤等問題
- Validation : 驗證程式碼錯誤
draw_tools
負責畫圖的工具
- draw : 畫出混淆矩陣、走勢圖的工具
- Grad_CAM : 畫出模型可視化的熱力圖的工具
Experiment
執行實驗的主程式
- Experiment : 負責執行讀檔、設定模型與實驗的細節、執行訓練、驗證結果等功能
- Model_All_Step : 執行模型的訓練流程設定與細節參數設定
- pytorch_Model: 設定模型的架構