糖尿病视网膜病变采用半导体激光治疗效果探讨.pdf

#资源达人分享计划#

行业分类-物理装置-一种基于注意力机制的早产儿视网膜图像分类方法和装置.zip

Tensorflow中的V-GAN 该存储库是的中Tensorflow实现。 参考的keras代码可以在找到。 与Keras代码相比的改进 数据扩充已从脱机过程更改为联机过程，它解决了内存限制问题，但会减慢训练速度 添加train_interval FLAGS以控制生成器和鉴别器之间的训练迭代，对于普通GAN，train_interval为1 根据验证数据的AUC_PR和AUC_ROC之和保存最佳模型 添加采样功能以检查生成的结果以了解发生了什么 在训练过程中将测量结果绘制在张量板上 该代码的编写更加结构化曲线下面积（AUC），精度和召回率（PR），接收器工作特性（ROC） 包依赖 张量流1.6.0 python 3.5.3 numpy的1.14.2 matplotlib 2.0.2 枕头5.0.0 scikit图像0.13.0 scikit学习0.19.0 scipy

行业分类-物理装置-多模态视网膜眼底图像配准方法及装置.zip

通过以下方式自动分割 2D 视网膜血管： - 使用相应的手动分割对视网膜图像窗口进行采样- 使用卷积神经网络 (CNN) 将图像窗口训练为手动分割的 PCA 减少向量- 通过使用 (CNN) 将一组新的采样窗口转换为 PCA 减少的向量并将它们与相应的手动分割联系起来来构建字典-通过以下方式逐像素分割新的视网膜图像窗口： 将包含该像素的所有窗口传递到经过训练的网络中在字典中搜索结果向量的最近邻获取相应的手动分割在手动分割中取与目标像素位置相对应的像素平均获取的像素值- 使用概率跟踪方法逐个窗口分割整个视网膜图像，该方法搜索已经分割的区域以选择下一个分割窗口改进了以前的血管分割方法： - 与其他方法相比，使用 N4 场提高了血管分割的准确性- 与使用 N4 场的完整分割相比，使用血管跟踪提高了血管分割的速度。 这是因为并非每个像素都被分割，单个像素需要相当长的时间来分割。 如果您需要结果示例

该脚本用于定量眼底/ OPTOS图像中的视网膜血管曲折度。 计算曲折度的几个度量并保存在一个 excel 文件中。 弯曲度测量基于以视神经乳头 (ONH) 为中心的乳头周围区域内的血管中心线。 用户需要选择ONH的中心和直径。 此外，用户可以修改血管分割的阈值。 此外，用户需要选择每条血管的端点来提取中心线并计算其弯曲度。 请参阅用户手册 Retinal Vessel Tortuosity.pdf 以获取进一步说明。

分析视网膜血管结构的变化是诊断和检测糖尿病、高血压等血管类相关疾病的最重要步骤。为此,提出了一种基于Frangi滤波器和大津法(Otsu)的视网膜血管分割方法。基于Frangi滤波器视网膜血管分割方法先对视网膜血管进行预处理,再基于Frangi滤波器对其边缘进行检测,并根据形态学方法分割出视网膜血管。然后,利用Otsu阈值分割预处理和增强后的视网膜血管。将上述两种方法获得的分割图像进行融合,获得最终的分割结果。实验结果表明,所提算法在DRIVE和STARE数据集上的平均灵敏性分别为58.1%、78.7%,特异性分别为93.1%、96.4%,而准确性则分别为93.8%、95.8%,其算法的执行时间仅为1.8 s。与传统的无监督分割算法相比,所提算法简单高效,能够很好地抑制噪声。

它实现了一种用于眼底视网膜图像的血管分割算法。 该算法在以下论文中介绍： Heneghan, C.、Flynn, J.、O'Keefe, M. 和 Cahill, M. (2002)。使用图像分析表征早产儿视网膜病变中血管宽度和弯曲度的变化。 医学图像分析，6(4)，407-429。 请参阅论文以获取更多解释。 我使代码尽可能简单，这样人们就可以轻松地继续阅读论文及其方程式。 为简单起见，我包含了来自 DRIVE 的一张视网膜图像。 因此，可以从以下位置下载其余图像http://www.isi.uu.nl/Research/Databases/DRIVE/ 分割后，计算4个评价指标：真阳性率、假阳性率、准确率和准确率。 我在 2012 年在伊朗伊斯法罕大学攻读硕士学位期间编写了这段代码，但是，我在 MATLAB 2013b 上再次尝试了它。 问候， 阿什坎。

糖尿病性视网膜病变，带有分类标签的视网膜图像。该文件夹代表特定的类标签。0-无DR，1-轻度，2-中度，3-严重，4-增殖性DR。 Diabetic Retinopathy Arranged_datasets..zip Diabetic Retinopathy Arranged_datasets..txt