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。

学习视网膜图像中血管分割的全连接CRF

为了探讨榆干离褶伞(Lyophyllum ulmarium，简写为LU)发酵液对人脐静脉内皮细胞(HUVEC)的保护作用，分别用20、40、80 mg/L LU干预HUVEC后用过氧化氢诱导凋亡，采用 MTT法观察LU发酵液对细胞存活率的影响；通过比色法测定细胞上清液乳酸脱氢酶(LDH)活性；用流式细胞仪检测细胞凋亡率；Western blot法检测bcl-2、bax、Caspase-3、Caspase-9蛋白质的表达。结果显示：LU发酵液显著提高内皮细胞的存活率，降低细胞上清液LDH活性，抑制 H2O2

Retina-Unet 来源： 此代码已经针对Python3进行了优化，数据集下载： 百度网盘数据集下载： 密码：4l7v 有关代码内容讲解，请参见CSDN博客： 基于UNet的眼底图像血管分割实例： 【注意】run_training.py与run_testing.py的实际作用为了让程序在后台运行，如果运行出现错误，可以运行src目录下的训练与预测文件。

项目流程主要分为两部分：预处理、分割提取。预处理的任务是滤除噪声、增强图像对比度及增强血管边缘，以便后续处理，包括：中值滤波、CLAHE、同态滤波。分割提取的任务是处理经过预处理的眼底图像，提取分割出血管，包括：Frangi滤波、阈值处理、形态学处理。

血管的三维重建　　　随着现代医学的发展，科学对人类病例的研究不再局限在表面现象，在实际研究中利用断面可了解生物组织、器官等的的横截面形态和结构.从而可大大提高人类对某些疾病的预防和治疗. 　　　针对这一问题，本文由血管的张连续的平行切片图像计算血管的中轴线与半径，并绘制血管在三个坐标平面上的投影来探讨血管的三维重建.由于血管的表面是由球心沿着某一曲线（即中轴线）的球滚动而成，由此我们得出结论:每个切片一定包含滚动球的大圆，并且他一定为切片的最大内切圆，而最大圆对应的半径即为血管的半径，所以求血管半径就转化为求每一个切片内部的点到切片外部轮廓线的所有最短距离中的最大值即为血管半径.

该数据集共包含40张视网膜血管图像，这40张图像已分为训练和测试集，均包含20张图像。如果没有积分，可关注我然后在评论区留下邮箱，将发送至邮箱。

VesselSeg-Pytorch ：基于pytorch的视网膜血管分割工具包 介绍 该项目是基于python和pytorch框架的视网膜血管分割代码，包括数据预处理，模型训练和测试，可视化等。该项目适合研究视网膜血管分割的研究人员。 要求 python环境的主要包和版本如下 # Name Version python 3.7.9 pytorch 1.7.0 torchvision 0.8.0 cudatoolkit 10.2.89 cudnn 7.6.5

使用自适应对比度增强算法对眼底图像中的血管进行增强处理 。

提出一种基于两阶段区域生长法的肝内血管分割算法。在第一阶段，使用三维区域生长法从CT图像序列中提取出肝脏，区域生长法的生长准则由均值和方差双阈值来决定。分别通过形态学运算和中值滤波对分割出的肝脏序列进行降噪处理。在第二阶段，再次利用区域生长法从已经得到的三维肝脏图像序列中分割出血管，区域生长法的生长准则仅由均值作为单阈值决定。对两阶段区域生长法的实验结果进行三维重建，与传统区域生长法的三维重建结果相比较，能够体现出该算法的准确性。