Clarification on FFM input channels, preprocessing protocol, and code license

[junfanyu38-lgtm]

您好，感谢您公开 FFM-Multi-Decoder-Network 的代码，也感谢您此前在 Issues 中提供的说明。

我们正在研究复现论文中的 image-only FFM 插件消融，尤其是 STARE 上 U-Net 从 IoU 66.15 提升至 68.07 的实验。为了确保实现与论文保持一致，希望请您澄清以下问题：

1. FFM 输入通道

compute_FFM 生成的 .npy 文件形状为 (2, H, W)，其中：

• npy[0] 是 FD；
• npy[1] 是代码中命名的 Length/FL。

当前 STARE_dataset.py 的 stare_fractal 路径会将：

grayscale image + img_FD + img_FL

堆叠成三通道输入。但在 Issue #7 中，我们理解您的回复可能表示论文中的 FFM image 只对应 npy[0]。

请问论文中 STARE 的 U-Net + FFM 消融实际使用的是：

A. grayscale + npy[0]，形状 (2, H, W)；

还是：

B. grayscale + npy[0] + npy[1]，形状 (3, H, W)？

也请确认准确的通道顺序。

2. FFM 预处理参数

请问上述 STARE U-Net + FFM 实验是否使用以下设置：

• window_size = 5
• step_size = 1
• linear_ramp padding
• 对 FD 和 FL 分别执行每张图像的 min-max normalization，然后 standardization
• 原始灰度图先进行 CLAHE，再进行 standardization

对于视网膜图像 FOV 外部区域，是否还有额外的 mask、填充值或裁剪处理？

另外，np.polyfit 出现 RankWarning: Polyfit may be poorly conditioned 时，论文实验是直接保留计算结果并忽略警告，还是对退化窗口、NaN/Inf 或异常系数进行了额外处理？
3. STARE U-Net + FFM 的准确训练配置
能否请您确认该消融实验对应的：

• 代码 commit/version；
• 数据划分；
• 数据增强方法；
• epochs 和 batch size；
• optimizer、初始 learning rate；
• warm-up steps 和 warm-up 方法；
• random seeds；
• 评估阈值及其选择方式？

4. Code license

目前仓库中似乎没有 LICENSE 文件。为了能够合规地复现、修改并在学术研究代码中使用该实现，能否请您为仓库补充一个明确的软件许可证，例如 MIT、BSD 或 Apache-2.0？

如果暂时不方便添加标准 LICENSE，也希望您能明确说明该仓库代码是否允许用于非商业学术研究、修改、发表复现实验结果，以及发布我们的独立适配代码。

非常感谢您的帮助。这些信息将帮助我们准确复现论文中的 FFM image-only 实验，避免因输入通道或预处理协议不同造成结果偏差。