gabor变换和Gabor视网膜血管检测的机器学习，教程本教程将展示如何Gabor变换和广义%的线性模型（GLM）可用于视网膜血管检测%图像。%具体地说，我们将尝试检测视网膜血管%的训练图像，首先，Gabor滤波器与图像卷积。% GLM将使用Gabor变换的图像特征确定%（独立变量），以及血管的位置%的结果（因变量）。在本教程中，我们将把这种方法用于检测血管的Gabor + GLM。%的Gabor + GLM将伪*验证如何检测视网膜“测试图像”中的血管。最后，我们将计算的灵敏度，%的特异性，绘制ROC曲线，以及相应的曲线下面积（AUC）。

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

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。

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

针对视网膜图像中血管细小而导致其分割精度低等问题,通过在U-Net网络中引入Inception、空洞卷积与注意力机制等模块,提出一种改进U-Net视网膜血管图像的分割算法。首先,在编码阶段增加Inception模块,采用不同尺度的卷积核对图像进行特征提取,以获得其多尺度信息;然后,在U-Net网络的底部增加级联空洞卷积模块,以在不增加网络参数的情况下扩大卷积操作的感受野;最后,在解码阶段为反卷积操作设计了注意力机制,将注意力机制与跳跃连接方式相结合,聚焦目标特征,以解决权重分散等问题。基于标准图像集DRIVE的实验结果表明,所提算法的平均准确率、灵敏度与特异性较之U-Net算法分别提高1.15%,6.15%与0.67%,也优于其他传统分割算法。

通过优势集聚类的视网膜血管网络拓扑重建和动脉/静脉分类

匹配滤波源码，详情见http://blog.csdn.net/u013288466/article/details/66473284