license: cc-by-nc-4.0 pipeline_tag: image-segmentation tags:

• 动静脉分割
• 视网膜成像
• 图像分割
• 模型中心混合
• PyTorch模型中心混合

RRWNet RITE模型

本仓库包含论文《RRWNet：用于视网膜动静脉有效分割与分类的递归优化网络》（发表于《专家系统与应用》2024年）中基于RITE数据集训练的RRWNet官方权重，作者为José Morano、Guilherme Aresta和Hrvoje Bogunović。

[arXiv] ESWA] [GitHub] [BibTeX]

RRWNet模型列表

请注意：使用权重进行预测时，训练所用图像的尺寸至关重要。

使用方法

可通过huggingface_hub包的PyTorchModelHubMixin及我们代码库中model.py文件加载模型（代码库地址：https://github.com/j-morano/rrwnet，文件可从此处下载）。

from huggingface_hub import PyTorchModelHubMixin
from model import RRWNet as RRWNetModel


class RRWNet(RRWNetModel, PyTorchModelHubMixin):
    def __init__(self, input_ch=3, output_ch=3, base_ch=64, iterations=5):
        super().__init__(input_ch, output_ch, base_ch, iterations)


model = RRWNet.from_pretrained("j-morano/rrwnet-rite")

数据预处理

模型训练使用增强后的图像和掩码。可通过代码库中的preprocessing.py脚本离线预处理，该脚本将增强图像和掩码并保存至指定目录。

python3 preprocessing.py --images-path data/images/ --masks-path data/masks/ --save-path data/enhanced

引用说明

如果您在研究中使用了本代码、权重、预处理数据或预测结果，请为代码库点赞并引用我们的工作：

@article{morano2024rrwnet,
    title={RRWNet: 用于视网膜动静脉有效分割与分类的递归优化网络},
    author={Morano, José and Aresta, Guilherme and Bogunović, Hrvoje},
    journal={专家系统与应用},
    year={2024},
    doi={10.1016/j.eswa.2024.124970}
}