GLAD-Net（ICIC 2025）

GLAD-Net: Global-Local Adaptive Fusion and Cross-Stage Distillation for Cross-Level Multi-Scale Medical Image Segmentation

Paper: http://poster-openaccess.com/files/ICIC2025/3943.pdf

GLAD-Net/
├── README.md
├── requirements.txt
├── scripts/
│   ├── train.py
│   └── eval.py
├── src/
│   └── icic/
│       ├── data/
│       │   └── isic.py
│       ├── models/
│       │   ├── blocks.py
│       │   ├── fpn.py
│       │   └── network.py
│       ├── training/
│       │   ├── losses.py
│       │   ├── metrics.py
│       │   └── trainer.py
│       └── utils/
│           ├── checkpoint.py
│           └── seed.py
└── efficient-kan/  # 本地依赖（KAN 实现）

在目录执行：

conda create -n glad python==3.10 -y
conda activate glad
pip install -r requirements.txt

代码默认使用 ISIC 风格命名：

• 图像：xxx.jpg
• 掩码：xxx_segmentation.png

示例：

data/
├── train_images/
│   ├── ISIC_0000000.jpg
│   └── ...
├── train_masks/
│   ├── ISIC_0000000_segmentation.png
│   └── ...
├── val_images/
└── val_masks/

如果不提供验证集目录，脚本会按 --train-split 从训练集切分验证集。

CUDA_VISIBLE_DEVICES=0 PYTHONPATH=src python scripts/train.py \
  --train-image-dir /path/to/train_images \
  --train-mask-dir /path/to/train_masks \
  --val-image-dir /path/to/val_images \
  --val-mask-dir /path/to/val_masks \
  --output-dir outputs/gladnet \
  --epochs 100 \
  --batch-size 8

输出文件：

• outputs/gladnet/best.pt：按验证集 Dice 最优模型
• outputs/gladnet/last.pt：最后一个 epoch
• outputs/gladnet/history.json：训练日志

CUDA_VISIBLE_DEVICES=0 PYTHONPATH=src python scripts/eval.py \
  --image-dir /path/to/val_images \
  --mask-dir /path/to/val_masks \
  --checkpoint outputs/gladnet/best.pt

评估会输出：loss / accuracy / sensitivity / specificity / dice / iou。

• src/icic/models/network.py：主网络 GLADNet
• src/icic/models/blocks.py：GLAM、SKM、CMSF
• src/icic/models/fpn.py：CSCA（Channel-Spatial Collaborative Attention）
• src/icic/training/losses.py：GLADNetHybridLoss（Focal + Dice）
• src/icic/data/isic.py：数据加载与增强