音视频-图像处理-视网膜脉络膜荧光血管造影及视网膜光学相干断层扫描的实验研究.pdf

音视频-图像处理-视网膜图像处理算法及应用研究.pdf

音视频-图像处理-视网膜图像处理与分析中关键技术研究.pdf

音视频-图像处理-视网膜细胞分布特征及自适应光学系统对弱视人眼视网膜的研究.pdf

音视频-图像处理-视网膜血管的液晶自适应光学成像系统设计.pdf

针对眼底视网膜血管细小、轮廓模糊导致血管分割精度低的问题,提出一种多尺度框架下采用小波变换融合血管轮廓特征和细节特征的视网膜血管分割方法。通过预处理增强血管与背景的对比度,在多尺度框架下提取血管轮廓特征和细节特征,并进行图像后处理;采用小波变换融合两幅特征图像,通过计算各尺度对应像素的最大值,得到血管检测图像,最后采用Otsu法进行分割。通过在DRIVE数据集上进行测试实验,得到平均准确率、灵敏度和特异度分别为0.9582,0.7086,0.9806。所提方法能够在准确分割血管轮廓的同时保留较多细小血管分支,准确率较高。

使用FCN、Unet、Unet++、Segnet、R2Unet、DenseNet、DenseUnet、Cenet、ChannelNet、AttentionUnet等网络对视网膜血管进行分割。

针对视网膜血管图像特征信息复杂程度高，现有算法存在微血管分割较低和病理信息误分割等问题，提出一种融合DenseNet和U-Net网络的血管分割模型。首先，通过限制对比度直方图均衡化和filter滤波对图像进行血管增强处理；其次，利用局部自适应gamma提升图像亮度信息并降低伪影的干扰；再次，由多尺度形态学滤波局部增强微血管特征信息；最后，利用U型密集链接模块进行分割。该算法在DRIVE数据集上实验，其平均准确率、灵敏度和特异性分别高达96.74%、81.50%和98.20%。

颜色分类leetcode 眼网 用深度学习检测糖尿病视网膜病变 客观的 糖尿病视网膜病变是发达国家工作年龄人口失明的主要原因。 据估计，这种情况会影响超过 9300 万人。 人们早就认识到需要一种全面和自动化的糖尿病视网膜病变筛查方法，并且之前的努力在使用图像分类、模式识别和机器学习方面取得了良好进展。 以眼睛的照片作为输入，这个顶点的目标是创建一个新模型，理想地产生现实的临床潜力。 这个项目的动机有两个： 除了对大规模数据集进行分类之外，图像分类多年来一直是个人兴趣。 在患者进行眼睛扫描（如下所示）、让医生分析他们的图像以及安排后续预约之间，时间会浪费掉。 通过实时处理图像，EyeNet 将允许人们在同一天寻求和安排治疗。 目录 数据 数据来源于 . 然而，是一个非典型的 Kaggle 数据集。 在大多数 Kaggle 比赛中，数据已经被清理干净，数据科学家几乎不需要预处理。 有了这个数据集，情况就不是这样了。 所有图像都是由不同的人、使用不同的相机和不同的尺寸拍摄的。 与该部分有关，此数据非常嘈杂，需要多个预处理步骤才能将所有图像转换为可用的格式来训练模型。 训练数据由 35,12

使用卷积神经网络（U-net）进行视网膜血管分割该存储库包含用于对视网膜眼底图像中的血管进行分割的卷积神经网络的实现。 这是使用卷积神经网络（U-net）进行的二进制cl视网膜血管分割。该存储库包含用于对视网膜眼底图像中的血管进行分割的卷积神经网络的实现。 这是一个二进制分类任务：神经网络预测眼底图像中的每个像素是否为血管。 神经网络结构是从本文描述的U-Net架构派生而来的。 在DRIVE数据库上测试了该神经网络的性能