环境要求：

可稳定支持Linux和Windows操作系统，其他操作系统未测试。

python >= 3.8

pytorch >= 1.11+cu115

环境配置：

pip install -r requirements.txt

数据集下载：

nii.gz格式二分类数据集COVID2019 CT扫描图像

链接：https://pan.baidu.com/s/1mSo6ufV53zVwYLrKuDXhVg 提取码：no0r

nii.gz格式4模态4类别脑部肿瘤分割数据集BraTs2017 CT扫描图像

链接：https://pan.baidu.com/s/1NDRm8t2kRrqE79ZRa4c5nQ 提取码：g377

nii.gz格式单模态单通道2类别胰脏分割分割数据集Pancreas CT扫描图像

链接：https://pan.baidu.com/s/15Aa3lZfriNW7csJ8MH1fZA 提取码：h7j0

请严格按照下面数据存放格式修改存放数据。

数据存放：

图像分类

./data/（无论是RGB图像还是CT图像，需保证最后一级子目录名字为分类标签，分类标签需用可转为int型的字符表示，如0、1、2、……）

图像分割

待分割图像路径：./data/images

已标定标签路径：./data/labels

需严格保证images路径下的图像与labels下的标签是一一对应的，不允许存在有未标定的图像及没有图像对应的标签。

配置文件：

以./config/UNet3D.json为例

{
    "task": "segmentation",
    "model":"UNet3D",
    "data_param":{
      "data_random_split": true,
      "data":"E:/01_work/02_data/010_FL_data/05_Task01_BrainTumour",
      "trainset": "E:/01_work/02_data/010_FL_data/06_BrainTumour_part/train",
      "testset": "E:/01_work/02_data/010_FL_data/06_BrainTumour_part/test",
      "data_type":"CT",
      "channel": 4,
      "num_classes": 4,
      "img_size": [128, 128, 64],
      "rotate": false
    },
    "bench_param":{
        "server_address": "localhost:8090",
        "device": "cuda:0",
		"num_rounds": 20
    },
    "training_param": {
        "epochs": 20,
        "batch_size": 2,
        "learning_rate": 0.001,
        "loss_func": "dice_loss",
        "optimizer": "adam",
        "optimizer_param": {
            "betas1": 0.9,
            "betas2": 0.999,
            "eps": 1e-08,
            "weight_decay": 0,
            "amsgrad": false
        }
    },
  "testing_param": {
        "model_path": "save_model/test_model_segmentation_UNet3D_BraTs.pth",
        "test_path": "E:/01_work/02_data/010_FL_data/05_Task01_BrainTumour",
        "test_save_path": "prediction/"
        }
}

task: 联邦学习任务，可选“classification”和“segmentation”

model：网络模型。

data_param：数据参数。

data_random_split：bool变量，是否为随机划分数据集的方式。若为true，加载data路径下数据集，并按照4:1的比例随机划分训练集和测试集；若为flase，需提前手动划分好训练集和测试集，并将训练集和测试集路径分别填入下面“trainset”和“test”中。

data：数据存放根目录。

trainset：已手动划分好的训练集路径。

testset：已手动划分好的测试集路径。

data_type：训练及测试的图像数据类型，可选"RGB"或“CT”图像。

channel：图像通道，若为RGB图像则为3通道，若为单模态CT图像则为1通道，若为n模态CT图像则为n通道，此处采用BraTS 2017数据集，该数据集采用FLAIR、T1W、T1GD、T2W四种造影方式采集同一部位CT图像，对应4种模态的CT图像信息，故通道设置为4。

img_size：为训练图像初始分辨率，对应二维RGB图像的H、W，三维CT图像的H、W、D，越大图像信息越丰富，同时越占用显存，训练越慢。

rotate：bool变量，是否做图像90°旋转。若显示CT扫描图像为竖，可选择该参数为true，若为正常图像可选false不做旋转。

bench_param：联邦学习参数。

​ server_address为服务器IP地址。

​ device为训练设备，可选cuda:0或cuda:1，cuda:…或cup。

​ num_rounds为联邦聚合训练轮次。

training_param：训练参数。

​ epochs为训练轮次；

​ batch_size为一次训练塞入的图片数量，越大越占用显存。

​ learning_rate为学习率。

​ loss_func为训练损失，分类模型支持cross_entropy、mse损失，分割模型支持dice_loss及cross_entropy_3d损失，暂不支持其他选项。

​ optimizer为优化器，可选sgd和adam。

​ optimizer_param为优化器参数；

testing_param：前向推理测试参数。

model_path：模型路径；

test_path：测试集或待推理数据存放路径；

test_save_path：分割图像推理结果存放路径（分割任务独有）；

labeled：是否存在标签，若存在则计算精度，若不存在则只做前向推理（分类任务独有）。

快速联邦训练：

sh run.sh

训练完成后模型保存在save_model目录下

正常联邦训练：

在服务器上执行

python server.py --config=./config/DenseNet.json

在每台客户端上执行

python client.py --config=./config/DenseNet.json

参数可以在config下的DenseNet.json中修改，也可以选择用默认参数直接：

在服务器上执行

python server.py

在每台客户端上执行

python client.py

训练完成后模型保存在save_model目录下

集中式训练：

python train.py --config=./config/DenseNet.json

前向推理与测试：

python test.py --config=./config/DenseNet.json

可视化：

终端模式在工程目录下

tensorboard --logdir=./logs/visualization/年月日时分秒/