根据眼底荧光血管造影图像的特点，分别利用阈值分割法与BP神经网络算法对眼底造影血管图像及眼底病变区域图像进行分割与对比，使临床医生可以得到病变面积的较精确的测量数据，观察到更细微的血管变化，为与此相关的心、脑血管系统和糖尿病的诊治提供重要依据。

CA-Net：用于可解释医学图像分割的综合注意力卷积神经网络 该存储库提供“ CA-Net：可解释医学图像分割的综合注意力卷积神经网络”的代码。 现在可以在上我们的工作。 接受了我们的工作。 图1. CA-Net的结构。 图2.皮肤病变分割。 图3.胎盘和胎脑分割。 要求条件 一些重要的必需软件包包括： 版本> = 0.4.1。 智慧 Python == 3.7 一些基本的python软件包，例如Numpy。 按照官方的指导安装 。 用法 用于皮肤病变分割 首先，您可以在下载数据集。 我们仅使用了ISIC 2018 task1训练数据集，要对数据集进行预处理并另存为“ .npy”，请运行： python isic_preprocess.py 为了进行5倍交叉验证，请将预处理数据分成5倍并保存其文件名。 跑步： python create_folder.py 要在ISI

研究了行车环境下激光条纹图像中心线快速、准确且可靠的提取方法。基于ENet深度学习模型实现了激光条纹的多区段快速分割; 通过统计各区段内光条梯度方向的直方图来确定各分段光条的法线主方向, 并构造了相应的方向模板; 利用分区域多模板匹配的灰度重心法实现了光条中心的亚像素坐标提取。研究结果表明, 该方法可以有效克服室外行车环境中各类干扰信息对光条中心提取的影响, 单幅钢轨轮廓图像的光条提取时间仅为2.1 ms, 误差均值约为0.082 pixel, 标准差为0.047 pixel, 兼顾了光条中心提取的时效性和准确率。

基于深度学习的MRI脑肿瘤图像分割技术研究综述.pdf

原始的U-Net采用跳跃结构结合高低层的图像信息, 使得U-Net模型有良好的分割效果, 但是分割结果在宫颈细胞核边缘依然存在分割欠佳、过分割和欠分割等不足. 由此提出了改进型U-Net网络图像分割方法. 首先将稠密连接的DenseNet引入U-Net的编码器部分, 以解决编码器部分相对简单, 不能提取相对抽象的高层语义特征. 然后对二元交叉熵损失函数中的宫颈细胞核和背景给予不同的权重, 使网络更加注重细胞核特征的学习. 最后在池化操作过程中, 对池化域内的像素值分配合理的权值, 解决池化层丢失信息的问题. 实验证明, 改进型U-Net网络使宫颈细胞核分割效果更好, 模型也越鲁棒, 过分割和欠分割比率也越少. 显然, 改进型U-Net是更有效的图像分割方法.

PyTorch项目模板由以下工具赞助； 请通过查看并注册免费试用来帮助支持我们 PyTorch项目模板 聪明地实施PyTorch项目。 PyTorch项目的可扩展模板，包括图像分割，对象分类，GAN和强化学习中的示例。 考虑到深度学习项目的性质，我们没有机会考虑项目结构或代码模块化。 在处理了不同的深度学习项目并面对文件组织和代码重复的问题之后，我们提出了一个模块化项目结构来容纳任何PyTorch项目。 我们还想为社区提供各种PyTorch模型的基础。 这是和之间的联合工作 目录： 为什么使用此模板？ 我们正在为任何PyTorch项目提出一个基准，以帮助您快速入门，在此您将有时间专注于

针对传统阈值分割算法的一些缺点，通过将数字形态学与阈值分割算法相互结合提出了一种改进的阈值分割算法来进行脊椎图像分割，并将分割结果与传统图像分割方法得到的结果进行分析对比。结果显示本论文改进的阈值分割算法得到的脊椎分割图像与传统方法分割的图像相比在抑制噪声方面有好的效果，在对比度方面也优于其他传统的医学图像分割方法，最后设计了计算脊椎相邻椎体间的相对距离、相对椎体厚度及其变化率的有效算法，可为临床进一步应用提供参考。

针对复杂图像的分割问题，提出一种基于生物地理学优化（biogeography-based optimization，BBO）算法的二维交叉熵多阈值图像分割方法。根据二维直方图斜分法得出交叉熵阈值选取公式，并将此推广到多阈值分割，以求得多个极值提高分割效果。由于二维交叉熵法在多阈值分割时计时长、复杂性高等问题，引入BBO算法的思想，实现对多个阈值快速精确的寻优。最后，对标准图像进行分割以验证该算法，结果表明此算法比二维交叉熵穷举法计算效率高。

图像分割算法的研究与实现 图像分割算法的研究与实现 图像分割算法的研究与实现

语言：MATLAB—图像分割系统设计（多方法，文章万字）