DDPM-PET-torch：使用2维DDPM对3维低剂量PET图像降噪

---

Forked from https://github.com/bubbliiiing/ddpm-pytorch（DDPM: Denoising Diffusion Probabilistic Models模型在pytorch当中的实现）.

目录

1. 所需环境 Environment
2. 文件下载 Download
3. 预测步骤 How2predict
4. 训练步骤 How2train
5. 参考资料 Reference

所需环境

参考env.yaml文件。pytorch尽量选择2.0以上版本

文件下载

为了验证模型的有效性，原repo使用了花的例子进行了预训练。训练好的生成器模型Diffusion_Flower.pth可以通过百度网盘下载或者通过GITHUB下载
权值的百度网盘地址如下：
链接: https://pan.baidu.com/s/1AI5jB0OPYbLGAX4JLbotXA 提取码: kbtp

花的数据集可以通过百度网盘下载：
链接: https://pan.baidu.com/s/1ITA1Lw_K28B3nbNPnI3_Kw 提取码: 11yt

预测步骤

1. 按照训练步骤训练。
2. 在ddpm.py文件里，在如下部分修改model_path使其对应训练好的文件；也可以在predict.py里，创建diffusion对象时传入指定model_path。model_path对应logs文件夹下面的权值文件。

_defaults = {
    #-----------------------------------------------#
    #   model_path指向logs文件夹下的权值文件
    #-----------------------------------------------#
    "model_path"        : 'model_data/Diffusion_Flower.pth',
    #-----------------------------------------------#
    #   卷积通道数的设置
    #-----------------------------------------------#
    "channel"           : 128,
    #-----------------------------------------------#
    #   输入图像大小的设置
    #-----------------------------------------------#
    "input_shape"       : (64, 64),
    #---------------------------------------------------------------------#
    #   betas相关参数
    #---------------------------------------------------------------------#
    "schedule"          : "linear",
    "num_timesteps"     : 1000,
    "schedule_low"      : 1e-4,
    "schedule_high"     : 0.02,
    #-------------------------------#
    #   是否使用Cuda
    #   没有GPU可以设置成False
    #-------------------------------#
    "cuda"              : True,
}

ddpm = Diffusion(model_path=model_path, guide_channels=ax_channel_num, loss_type="l2")

3. 运行predict.py，终端会询问model_path、生成模式（DDPM、DDIM或DPM-Solver）、采样步数（针对DDIM和DPM-Solver）；输入后即可生成对应3维图像¹，存储在results/predict_out路径下。

训练步骤

1. 准备好lowdose和fulldose的3维图像数据集
2. 在txt_annotation.py中填写数据集路径并运行，生成train_lines.txt，确保train_lines.txt内部是有文件路径内容的。
3. 在preprocess_slice.py中修改作为条件的邻近切片数量（默认为32），指定切片存储路径，后运行即可得到切片后的数据集
4. 在slice_annotation.py中修改切片数据集路径并运行，生成train_slices.txt，确保train_slices.txt内部是有文件路径内容的。
5. 运行train.py文件进行训练，训练过程中生成的图片可查看results/loss_<对应训练时间>/train_out文件夹下的图片（推荐只用于观察是否能生成正确图片，而不用于模型质量评估；质量评估尽量使用上述predict.py测试流程）。

Footnotes

1. 本项目开发时为了方便，默认对test_lines.txt中第一个路径对应的低剂量图像进行降噪。若有需要可以自行实现指定低剂量图像路径功能；或使用ddpm.py中的show_result_3d_loop函数，遍历所有test_lines.txt中的低剂量图像。 ↩