unet 医学影像分割源码, 对视网膜血管医学图像分割 代码文件结构： ├── src: 搭建U-Net模型代码 ├── train_utils: 训练、验证以及多GPU训练相关模块 ├── my_dataset.py: 自定义dataset用于读取DRIVE数据集(视网膜血管分割) ├── train.py: 以单GPU为例进行训练 ├── train_multi_GPU.py: 针对使用多GPU的用户使用 ├── predict.py: 简易的预测脚本，使用训练好的权重进行预测测试 └── compute_mean_std.py: 统计数据集各通道的均值和标准差

基于眼底图像监督学习的整体视网膜血管分割

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%。

眼底分类 使用视网膜血管分割图像集进行眼底图像分类

船-维根-火炬 作者：谷玉超 电子邮件： 日期：2018-05-27 说明：该代码是的pytorch实现。 概述 数据 您可以从此服务器下载火车和测试数据。 您也可以在eyedata文件夹中找到数据。 前处理 该数据集包含20个训练图像，我的预处理的第一步是随机裁剪为512 * 512。 第二步是随机更改火车图像的亮度，对比度和色相。 我在代码中实现了此方法，因此可以方便地使用它。 此外，基于gan的生成视网膜图像的方法可以用作额外的数据源。 模型 训练 python train.py 如何使用 依存关系 此代码取决于以下库： Python 3.6 火炬 皮尔 结构体 vessel gan │ ├── eyedata # drive data │  ├── gycutils # my utils for data augmentation │  ├── Criterion.p

当前主流的眼底视网膜血管分割方法存在细微血管细粒度特征很难采集和细节容易丢失的问题。为解决这一问题,设计了一种改进U-Net模型算法,该算法将U-Net上下采样中的原始卷积层改为二次循环残差卷积层,提升了特征的使用效率;在解码部分引入多通道注意力模型,改善了低对比度下细小血管的分割效果。该算法在DRIVE (Digital Retinal Images for Vessel Extraction)和STARE (Structured Analysis of the Retina)两个数据库的准确率分别为96.89%和97.96%,敏感度分别为80.28%和82.27%,AUC(Area Under Curve)性能分别为98.41%和98.65%,较现有的先进算法有一定的提升。本文所提算法能有效提高眼底图像细微血管分割准确率。

Retinal Vessel Segmentation Author：zhiyu-Lin Date：2018-7-1 E-mail: Description: 眼底图像中视网膜血管的分割，数字图像处理大作业。 前言 随着近年医学设备和科技的发达，越来越多的医学图像被运用到病理诊断和医学研究当中去。其中视网膜图像是其中非常重要一类的医学图像，对于一些眼球疾病的预测和诊断有非常高的指导意义。 本篇报告讲述如何使用深度卷积神经网络对眼底图像进行视网膜分割。方法: 训练二分类分割神经网络和多分类分割神经网络（粗和细血管分二类），使用二分类网络结果图像指导增强原图像，使用多分类网络进行二次分割。结果: 实验结果表明，对于大部分眼底图像进行二次分割比一次分割得到的准确率更高，在测试集上的F1值达到0.8253。 环境 python>=3.5 pytorch==0.3.0.post4 torchvisi

视网膜血管分割全卷积网络的数据集预处理研究，张冠宏，周晓光，在深度神经网络中，对于数据集的预处理工作是非常重要的，会直接影响神经网络模型的预测结果。对于视网膜血管分割任务而言，数据

提出了一种基于多尺度特征融合的全卷积神经网络的视网膜血管分割方法, 无需手工设计特征和后处理过程。利用跳跃连接构建编码器-解码器结构全卷积神经网络, 将高层语义信息和低层特征信息进行融合; 利用残差块进一步学习细节和纹理特征; 利用不同空洞率的空洞卷积构建多尺度空间金字塔池化结构, 进一步扩大感受野, 充分结合图像上下文信息; 采用类别平衡损失函数解决正负样本不均衡问题。实验结果表明, 在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE (Structured Analysis of the Retina)数据集上的准确率分别为95.46%和96.84%, 敏感性分别为80.53%和82.99%, 特异性分别为97.67%和97.94%, 受试者工作特征(ROC)曲线下的面积分别为97.71%和98.17%。所提方法相较于其他方法性能更优。