医学影像作业 基于医学影像配准+DUNet实现的视网膜血管检测_眼底血管分割源码+数据集+实验报告.zip 图像配准 眼底血管分割实验 详细操作说明 实验报告 【实验思路】 1.图像预处理： 单通道化RGB2Gray 归一化 对比度限制自适应直方图均衡化 伽马校正 2.图像分割成小块patch 3.torch写网络 Unet  - Unet++  4.训练与测试，计算每个小patch的train_loss和dice_score 5.合并图像 6.计算整体测度 【实验结果】 CHASE数据集用cuda训练batchsize为2，网络采用UNet++，轮数epoch=5，测试集结果：avarage Dice: **78.03%**, avarage Accuracy: **96.91%** DRIVE数据集用cpu训练batchsize为8，网络采用UNet，轮数epoch=5，测试集结

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）。