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-视网膜血管的液晶自适应光学成像系统设计.pdf

细节增强的matlab代码杰曼增强滤镜 基于Jerman的3D和2D Hessian管状（容器/容器）和球形（斑点/斑点）增强滤镜。 MATLAB代码是接下来的两个期刊出版物的实现： 和一份会议论文（更多详细信息，请参阅期刊出版物[1]）： 该代码基于Dirk-Jan Kroon对Frangi的容器过滤器的实现。 （） 尖端： 确保感兴趣的对象在图像/体积中具有最高（如果与背景相比较亮）或最低（如果与背景相比较暗）强度。 适当缩放/归一化图像。 3D方法包含一个c代码文件，需要使用“ mex eig3volume.c”进行编译。 （有关更多信息，请访问：） 阈值滤波器响应以消除任何残留的增强噪声 内容： 血管/管状结构的2D增强： vesselness2D.m-主要功能 example_vesselness2D.m-应用于2D视网膜脉管系统的滤镜 fundus2D.png-示例图片 血管/管状结构的3D增强： vesselness3D.m-主要功能 eig3volume.c-特征值的快速计算 example_vesselness3D.m-应用于3D脑血管的过滤器 volume.mat-

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。

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%。

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

由于血管边界形态复杂, 像素级狭窄检测难以有效地反映血管的细节信息。提出了一种基于数字减影血管造影(DSA)的影像血管狭窄的亚像素级自动检测方法, 通过亚像素级分析可以更加准确地辨别狭窄位置并得到更加精确的狭窄程度量化结果。基于自适应多尺度滤波及形态学运算得出血管中轴线, 利用泽尼克矩的旋转不变性对血管管壁进行亚像素级检测, 采用基于动态球的直径测量算法量化直径, 实现了基于DSA的影像血管狭窄的亚像素级自动检测。

测量基于PPG的压力诱发的血管React指数以评估认知负荷和压力

眼底分类 使用视网膜血管分割图像集进行眼底图像分类

心血管疾病与冠状动脉狭窄之间有着密切的联系,对冠状动脉狭窄的检测和量化对心血管疾病的预防、发现和诊断具有重要的意义.随着医学成像手段及图像处理技术的进步,通过在冠状动脉计算机断层扫描造影(CTA)中应用自动冠状动脉树标记、血管追踪以及稳健核回归等技术,自动/半自动狭窄检测及量化已成为重要的医学图像处理发展方向.回顾了近年来在冠状动脉狭窄检测及量化领域的最新进展,总结了狭窄检测及量化的流程,讨论了未来狭窄检测及量化的发展趋势和临床应用前景.