基于图优化技术，提出了一种新颖的视网膜内层自动分割方法。光学相干断层扫描（OCT）图像中十个视网膜层的11个边界得到了准确，快速和可靠的量化。代替考虑单个像素的强度或梯度特征，所提出的方法着重于整个基于边缘的图像提示。该图像表示为一个完整的加权图，其中连接的组件为节点。基于所连接组件的梯度和空间距离信息以及亲和度矩阵对每个节点进行排名。在三个阶段的项目中有效地进行了细分，以提取11个边界。在来自两个不同数据库的64个OCT图像上对分割算法进行了评估，并将其与两个独立观察者的手动跟踪进行了比较。它在平均无符号边界误差和平均有符号边界误差方面显示出令人鼓舞的结果。

医学影像作业 基于医学影像配准+DUNet实现的视网膜血管检测_眼底血管分割源码+数据集+实验报告.zip 图像配准 眼底血管分割实验 详细操作说明 实验报告 【实验思路】 1.图像预处理： 单通道化RGB2Gray 归一化 对比度限制自适应直方图均衡化 伽马校正 2.图像分割成小块patch 3.torch写网络 Unet  - Unet++  4.训练与测试，计算每个小patch的train_loss和dice_score 5.合并图像 6.计算整体测度 【实验结果】 CHASE数据集用cuda训练batchsize为2，网络采用UNet++，轮数epoch=5，测试集结果：avarage Dice: **78.03%**, avarage Accuracy: **96.91%** DRIVE数据集用cpu训练batchsize为8，网络采用UNet，轮数epoch=5，测试集结

假性视网膜水肿与视网膜水肿分类图像数据集，一个1368张视网膜观测图像 假性视网膜水肿与视网膜水肿分类图像数据集，一个1368张视网膜观测图像 假性视网膜水肿与视网膜水肿分类图像数据集，一个1368张视网膜观测图像

苹果电脑开高分辨率 视网膜 的软件RDM，亲测10.14或10.15可用。黑苹果神器。你值得拥有~哈哈

基于CNN的视网膜血管图像分割，模型采用U-net架构搭建而成，使用keras作为框架，使用Tensorflow作为后端。使用python作为接口语言。

UNet模型医学视网膜血管2015年到最近的英文文献和源码统计 包括unet和unet变体源码文献r2unet和cenet和unet3+和3dunet和segnet和unet2和nnunet和Vnet源码等等以及注意力机制 可以复现到别的医学领域 视网膜数据集之前资源里有

糖尿病性视网膜病变 一种基于人眼图像的系统，使用图像处理和机器学习方法对糖尿病性视网膜病进行分类。 这是Kaggle竞争的解决方案。 可以在找到具有完整方法描述的论文。 图像处理 形态学图像处理方法用于提取特征性疾病的特征，例如渗出液和红色病变。 机器学习 XGBoost库用于将疾病分为五类。

提出了一种基于Hessian特征的视网膜血管图像的增强滤波算法，分析了Hessian特征值对各类形状的抑制和加强作用，将Hessian矩阵的特征值与特征向量应用于视网膜血管特征的响应函数及形态学和非线性扩散处理的各个环节，并选择合理的尺度空间范围和尺度空间增量，调节因子而平滑非线状区域和锐化增强血管区域，本文算法在同等准确率下具有较高的稳定鲁棒性。

FIRE: Fundus Image Registration Dataset 是一个视网膜眼底图像数据集，其拥有 129 张眼底视网膜图像，并根据不同特征组合成 134 对图像，这些图像组合根据特征被划分为 3 类，其中眼底图像由 Nidek AFC-210 眼底照相机采集，分辨率为 2912 * 2912，视觉仰角为 40 度。 该数据集由 Papageorgiou Hospital 和 Aristotle University of Thessaloniki 共同构建并于 2017 年发布，数据来自于 Thessaloniki 大学的 39 名患者，主要发布人有 C. Hernandez-Matas、X. Zabulis、A. Triantafyllou、P. Anyfanti、S. Douma 和 A.A. Argyros，相关论文有《FIRE: Fundus Image Registration Dataset》。

视网膜血管的自动分割在糖尿病和高血压等疾病的诊断中起着重要作用。针对现有算法在细小血管和病变区域血管分割能力不足的问题,提出了一种基于改进整体嵌套边缘检测(HED)网络的视网膜血管分割算法。首先,采用了一种残差可变形卷积块代替普通卷积块,增强模型捕获血管形状和尺寸的能力;其次,采用扩张卷积层取代原有的池化层,用以保留血管特征的空间位置信息;最后,使用具有底部短连接结构的HED网络框架对预训练的网络进行特征提取和融合,使得模型可以更好地将骨干网络所提取的视网膜图像中血管的高级结构信息与低级细节信息相融合。通过在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE(Structured Analysis of the Retina)数据集上进行验证,所提网络的灵敏度分别达到了81.75%和80.68%,特异性分别达到了97.67%和98.38%,准确性分别达到了95.44%和96.56%,受试者工作特征曲线(ROC)的曲线下面积(AUC)分别达到了98.33%和98.12%,实现了优于其他先进方法的综合分割性能。