Retinal Vessel Segmentation Author：zhiyu-Lin Date：2018-7-1 E-mail: Description: 眼底图像中视网膜血管的分割，数字图像处理大作业。 前言 随着近年医学设备和科技的发达，越来越多的医学图像被运用到病理诊断和医学研究当中去。其中视网膜图像是其中非常重要一类的医学图像，对于一些眼球疾病的预测和诊断有非常高的指导意义。 本篇报告讲述如何使用深度卷积神经网络对眼底图像进行视网膜分割。方法: 训练二分类分割神经网络和多分类分割神经网络（粗和细血管分二类），使用二分类网络结果图像指导增强原图像，使用多分类网络进行二次分割。结果: 实验结果表明，对于大部分眼底图像进行二次分割比一次分割得到的准确率更高，在测试集上的F1值达到0.8253。 环境 python>=3.5 pytorch==0.3.0.post4 torchvisi

时空分割 该存储库包含的随附代码 。 变更记录 2020-05-19自提交以来，最新的Minkowski引擎不需要明确的缓存清除，并且可以更有效地使用内存。 2020-05-04：正如Thomas Chaton在上指出的那样，我还发现训练脚本包含一些错误，这些错误使模型无法达到使用最新MinkowskiEngine的Model Zoo中描述的目标性能。 我正在调试错误，但是发现错误有些困难。 因此，我从另一个私有创建了另一个git repo ，该达到了目标性能。 请参阅以获得ScanNet培训。 一旦发现错误，我将更新此存储库，并将SpatioTemporalSegmentation-ScanNet与该存储库合并。 抱歉，添麻烦了。 要求 Ubuntu 14.04或更高版本 CUDA 10.1或更高版本 pytorch 1.3或更高版本 python 3.6或更高版本 GCC 6或更高 安装 您需要通过pip或anaconda安装pytorch和 。 点子 MinkowskiEngine通过分发，可以通过pip进行简单安装。 首先，按照安装pytorch。 接下来，安装openbl

此代码根据所选像素（种子）的值及其所属的阈值区域对区域进行分段。 基于考虑四个相邻像素的区域生长算法。

细胞姿态 细胞和细胞核分割的通用算法。 这段代码是由 Carsen Stringer 和 Marius Pachitariu 编写的。 要了解 Cellpose，请阅读或观看演讲。 如需支持，请打开一个问题。 如果您想为自己和其他人改进 Cellpose，请考虑通过内置 GUI 界面为您的一些图像提供手动分割（请参阅下面的说明）。 更新 v0.6（2020 年 12 月） Pytorch 现在是 cellpose 的默认深度神经网络软件。 仍将支持 Mxnet。 要安装 mxnet (CPU)，请运行pip install mxnet-mkl 。 要在笔记本中使用 mxnet，请在创建模型时声明torch=False ，例如model = models.Cellpose(torch=False) 。 要在命令行上使用 mxnet，请添加标志--mxnet ，例如python -m

matlab中拟合中心线的代码基于广义结构张量（GST）的虹膜分割代码 该存储库是本文的原始实现，发表在（国际生物识别会议：理论，应用和系统）上。 该方法背后的理论在本文中得到了进一步扩展，发表于。 该软件接受虹膜图像作为输入，并输出输入虹膜图像的分割信息（有关更多信息，请参见下文）。 它能够处理在近红外（NIR）和可见（VW）光谱中采集的图像。 GST代码包含以下步骤（某些步骤可以停用或自定义，请阅读该代码随附的文档）： 图像下采样是为了提高速度。 这不会影响准确性，因为稍后将检测到的虹膜圆拟合到不规则的虹膜轮廓，因此可以补偿由于下采样而导致的虹膜圆检测中分辨率的任何损失。 基于不调整的对比度归一化（Matlab函数）。 这会增加图像对比度，从而在0-255范围内完全散布灰度值。 基于参考文献3中公开的方法进行镜面反射去除 根据参考文献2中发布的方法计算图像频率。这有助于将步骤5-8的内部参数自定义为输入图像。 如参考文献2所示，使用图像频率进行自适应睫毛去除。该方法基于参考文献4中公开的p秩滤镜。去除了睫毛，因为它们会形成很强的垂直边缘，从而可能误导用于眼中心估计和虹膜的滤镜步骤7

Active-Contour-Model-Matlab：Active Contour模型用于图像分割的一些matlab代码

快速语义分割 该存储库旨在为PyTorch中的移动设备提供准确的实时语义分段代码，并在Cityscapes上提供预训练的权重。 这可用于在各种现实世界的街道图像上进行有效的分割，包括Mapillary Vistas，KITTI和CamVid等数据集。 from fastseg import MobileV3Large model = MobileV3Large . from_pretrained (). cuda (). eval () model . predict ( images ) 这些模型是MobileNetV3 （大型和小型变体）的实现，具有基于LR- ASPP的修改后的细分头。 顶级型号在Cityscapes val上能够达到72.3％的mIoU精度，而在GPU上以高达37.3 FPS的速度运行。 请参阅下面的详细基准。 当前，您可以执行以下操作： 加载预训练的Mo

Multiresolution Segmentation.pdf

CNN用于脑室分割 这是在Neurostart hacka上使用CNN分割CT数据的结果。 这是用于脑室分割的全卷积人工神经网络的示例。 这是“个人3D脑图集”项目的第一步。 在Burdenko研究所的帮助下，基于FEFU（远东联邦大学）开发地图集。 感谢您提供数据，并向Dmitry Samborsky，Arthur Biktimirov和“ CPD C 305”实验室的工作人员提供建议。

pytorch-3dunet PyTorch实施3D U-Net及其变体： 基于3D U-Net的标准3D U-Net ÖzgünÇiçek等人。 基于残差3D U-Net。 该代码允许对U-Net进行以下方面的训练：语义分割（二进制和多类）和回归问题（例如降噪，学习解卷积）。 二维U网 也可以训练标准2D U-Net，有关示例配置，请参见 。 只需确保将单例z维保留在H5数据集中（即(1, Y, X)而不是(Y, X) ），因为数据加载/数据扩充始终需要3级张量。 先决条件 Linux NVIDIA GPU CUDA CuDNN 在Windows上运行 该软件包尚未在Windows上进行过测试，但是有报告称该软件包已在Windows上使用。 要记住的一件事：在使用CrossEntropyLoss进行训练时：配置文件中的标签类型应该从long更改为int64 ，否则会出现错误：