压力性损伤图片分期分类（4分类）

本项目基于 PyTorch 与 EfficientNet-B0，实现压力性损伤（Stage I, II, III, IV）图像分期分类。 当前训练脚本包含：

• 数据增强与标准化
• 分层划分训练/验证/测试集
• 类别不平衡加权损失
• 早停（Early Stopping）
• 学习率自适应衰减
• 测试阶段 TTA（水平翻转）
• 混淆矩阵与分类报告输出

1. 项目结构

Pressure-Ulcers-Stages-Classifier/

• train.py：模型训练、验证、测试与可视化主脚本
• cut.py：交互式 ROI 裁剪脚本（OpenCV 手动框选）
• dataset/：原始数据目录（可选）
• dataset_crop/：裁剪后的四分类数据目录（训练实际使用）
• saved_models/：历史模型保存目录
• best_efficientnet_b0_stage4.pth：训练后最佳权重（默认保存名）

2. 数据集组织

训练脚本默认读取 dataset_crop 目录，且类别文件夹名需与下列完全一致：

• Stage_I
• Stage_II
• Stage_III
• Stage_IV

示例：

• dataset_crop/Stage_I/*.jpg
• dataset_crop/Stage_II/*.jpg
• dataset_crop/Stage_III/*.jpg
• dataset_crop/Stage_IV/*.jpg

当前数据统计（dataset_crop）：

• Stage_I: 50
• Stage_II: 78
• Stage_III: 69
• Stage_IV: 59
• 合计: 256

3. 环境依赖

建议 Python 版本：3.9+（推荐 3.10）

核心依赖：

• torch
• torchvision
• numpy
• pillow
• matplotlib
• seaborn
• scikit-learn
• tqdm
• opencv-python

可使用如下命令安装：

pip install torch torchvision numpy pillow matplotlib seaborn scikit-learn tqdm opencv-python

4. 数据预处理（可选）

如果你需要从原始图片手动框选病灶区域，可使用 cut.py。 该脚本会逐张弹出窗口，使用鼠标框选 ROI 并保存到目标目录。

注意：

• cut.py 中 src_root 和 dst_root 当前是本机绝对路径，请先按你的机器路径修改。
• 每张图框选后按 Enter/Space 确认，按 Esc 可跳过当前图像。

运行：

python cut.py

5. 模型训练与评估

运行主脚本：

python train.py

train.py 关键默认配置：

• 模型：EfficientNet-B0（ImageNet 预训练）
• 输入尺寸：224 x 224
• batch size：8
• epochs：50
• 学习率：1e-4（AdamW）
• 早停 patience：10
• 损失函数：带类别权重 + label smoothing 的交叉熵
• 学习率策略：ReduceLROnPlateau（监控验证集准确率）
• 数据划分：70% 训练，15% 验证，15% 测试（分层抽样）

训练完成后会输出：

• 最优模型权重（best_efficientnet_b0_stage4.pth）
• 训练/验证 Loss 曲线
• 训练/验证 Accuracy 曲线
• 学习率变化曲线
• 测试集 TTA 准确率
• 混淆矩阵
• classification report（Precision/Recall/F1）

6. 结果复现建议

为提升可复现性，脚本已固定随机种子（2024）。 建议进一步确保：

• 固定同一版本的依赖库
• 保持数据目录结构一致
• 使用同一硬件与 CUDA 环境（若需要严格对齐）

7. 免责声明

本项目用于科研与学习目的，不可替代专业医生诊断。 在真实医疗场景中应结合多学科评估与临床流程进行决策。