这是一个基于PyTorch实现的U-Net医学图像分割项目，专门用于DRIVE（Digital Retinal Images for Vessel Extraction）数据集的血管分割任务。

本项目实现了U-Net架构，用于对眼底图像进行血管分割。U-Net是一种经典的卷积神经网络架构，最初设计用于生物医学图像分割任务。本项目包含数据加载、数据增强、模型定义、损失函数、训练和测试等完整流程。

• data.py: 定义了DRIVE数据集的PyTorch数据加载器
• data_aug.py: 包含数据加载和增强功能
• loss.py: 定义了Dice损失和Dice BCE损失函数
• model.py: 实现了U-Net模型架构
• train.py: 训练脚本
• test.py: 测试脚本，包含评估指标
• utils.py: 包含工具函数，如随机种子设置、目录创建等

U-Net包含以下组件：

• 编码器块（Encoder blocks）
• 解码器块（Decoder blocks）
• 跳跃连接（Skip connections）
• 瓶颈层（Bottleneck layer）

项目使用了两种损失函数：

• Dice Loss
• Dice BCE Loss（Dice损失和二元交叉熵损失的组合）

1. 准备DRIVE数据集
2. 运行data_aug.py进行数据预处理和增强
3. 运行train.py开始训练模型
4. 训练完成后，运行test.py评估模型性能

测试脚本计算以下评估指标：

• Jaccard Score (IoU)
• F1 Score
• Recall
• Precision
• Accuracy

项目依赖项详见requirements.txt文件。

请根据您的需要添加许可证信息。