由于人体脑血管结构复杂,空间比例小,三维分割和重构十分困难,本文面向时飞磁共振血管造影(TOF MRA)数据提出了一种新的瑞利高斯有限混合模型来实现脑血管的自动提取和分割。首先,对已有的混合模型进行了分析;然后,采用最大强度投影法(MIP)预处理脑部数据后采用高斯分布拟合血管类,采用瑞利分布和高斯分布拟合非血管类。提出的模型构造简单,参数向量较少;在血管与非血管的混合区域,模型与灰度直方图具有较好的拟合性。模型在传统期望最大化(EM)算法中加入随机扰动项构造随机期望最大化(SEM)算法来实现混合模型的参数估计,降低了算法对初值的依赖,同时提高了鲁棒性。实验证明,与已有双高斯模型相比,血管点数增加了27%,可细分到三级血管且细节的连通性更好。本模型可更准确地拟合数据的灰度分布曲线,有效地分割脑血管主分支及周围较细小分支,泛化性较好并可应用于相似系统中。

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

图像剪切的代码matlab 肺血管分割使用图切 使用以下链接准备图切优化器： 解压缩“ GCmex1.9.tar.gz”，并按照相应的说明编译图形切割的mex文件。 在Matlab中运行Demo.m文件 如果您使用该软件，则应参考以下文章： @inproceedings{zhai2016lung, title={Lung vessel segmentation in CT images using graph-cuts}, author={Zhai, Zhiwei and Staring, Marius and Stoel, Berend C}, booktitle={Medical Imaging 2016: Image Processing}, volume={9784}, pages={97842K--97849k}, year={2016}, organization={International Society for Optics and Photonics} } @article{zhai2019automatic, title={Automatic quantitati

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。

学习视网膜图像中血管分割的全连接CRF

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。

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