基于深度学习的视网膜OCT图像分类方法.PDF，专利，深度学习，中国科学技术大学，基于深度学习的视网膜OCT图像分类方法.PDF

matlab求导代码 此回购未积极维护。 请参阅getRetinalLayersExample.m了解示例代码用法。 欢迎！ Project Caserel是一个开源软件套件，用于对用Matlab编写的光学相干断层扫描图像中的视网膜层进行计算机辅助分割。 有关更多信息，请查看项目主页面：。 执照 有关完整的详细信息，请参见项目文件夹中提供的文件。

基于图优化技术，提出了一种新颖的视网膜内层自动分割方法。光学相干断层扫描（OCT）图像中十个视网膜层的11个边界得到了准确，快速和可靠的量化。代替考虑单个像素的强度或梯度特征，所提出的方法着重于整个基于边缘的图像提示。该图像表示为一个完整的加权图，其中连接的组件为节点。基于所连接组件的梯度和空间距离信息以及亲和度矩阵对每个节点进行排名。在三个阶段的项目中有效地进行了细分，以提取11个边界。在来自两个不同数据库的64个OCT图像上对分割算法进行了评估，并将其与两个独立观察者的手动跟踪进行了比较。它在平均无符号边界误差和平均有符号边界误差方面显示出令人鼓舞的结果。

分析了OCT系统中某些导致图像畸变的因素,提出了相应的补偿算法——“相关峰值扫描重定位算法”。从图像的相关峰值位置函数中,将样品本身灰度特征的变化规律和畸变特征用数字滤波的方法分离开来。分析了噪声对相关运算的影响及用灰度门限抑制噪声的措施。讨论了算法的容错性,通过对重定位量加以限制,避免了严重错位引起的重定位阶跃失真。对算法存在的累积误差等局限性提出了改进建议。给出了畸变图像的恢复实例。

通过对光学相干层析(OCT)系统中的噪声源进行分析,提出了一种将小波变换和分数阶积分结合的OCT图像去噪方法。先将OCT图像进行小波分解,获得不同频带的子图像。将低频近似图像保持不变,对水平、垂直和对角三个方向的高频细节图像采用三种改进的分数阶积分Tiansi模板进行滤波,最后将低频近似图像与三个分数阶积分滤波后的高频细节图像合成,得到去噪后的图像。实验结果表明;该算法在有效降低OCT图像散斑噪声的同时,尽可能地保留了图像的细节;相比经典的去噪算法和单一的分数阶积分算法,本文算法的去噪效果较好。

多类图像分类器 将视网膜OCT图像分为4类之一-NORMAL，CNV，DME或DRUSEN 分析的目标和动机正如我们所知道的，人类的预期寿命空前高。 由于医疗用品，服务和技术的增加，人们的寿命比祖先长。 因此，由于与眼睛健康有关的退化作用主要随着年龄而增加，因此眼睛疾病增加。 伴随着这种情况，由于数字化，近来人类在屏幕前花费越来越多的时间，这进一步增加了眼睛黄斑变性的问题。 需要开发更有效，快速和简便的方法来检测眼部疾病。 该项目的动机是研究一种可以帮助眼科医生使用图像识别技术更准确，更快速地识别视网膜疾病的技术。 我们可以检测到最常见的眼部疾病，因为它们很常见，因此无需花费很多时间就可以检测出来。 该项目涉及的眼疾是 AMD（与年龄有关的肌肉变性）：这种疾病在老年人中很常见，并且是由于视网膜受损或组织死亡引起的。 在全球75岁以上的成年人中，约有35％患有AMD。 DR（非绝热性视网

散斑在OCT图像中既是信息载体，也是一种严重的噪声。针对OCT图像的这一特点，提出一种基于小波变换和维纳滤波相结合的OCT图像去噪方法。通过对OCT图像进行小波分解，得到四个不同频带的子图像，保持低频部分不变，对另外三个高频细节图像进行维纳滤波，将低频子图像和三个滤波后的高频细节子图像进行小波反变换，得到去噪后的图像。实验结果表明小波变换和维纳滤波相结合的方法对OCT图像有比较理想的去噪效果。

该脚本演示了如何使用图论来分割光学相干断层扫描图像中的视网膜层。 用法： 按 F5 运行脚本。 我正在开发一个更全面的开源软件包，用于光学相干断层扫描图像中视网膜层的计算机辅助分割，目前包括 1. 6 个视网膜层的自动分割和 2. 用于检查和手动校正自动分割的 GUI。 可以在我的github页面下载。http://panyuteng.github.io/caserel 引用为： Chiu, Stephanie J., 等。 “与专家手动分割一致的 SDOCT 图像中七个视网膜层的自动分割。” 光学快报 18.18 (2010)：19413-19428。 腾，庞宇。 (2013)。 Caserel - 用于在光学相干断层扫描图像中对视网膜层进行计算机辅助分割的开源软件。 泽诺多。 10.5281/zenodo.17893 http://dx.doi.org/10.5281/zenodo.1

matlab方差分析代码OCT重建和光谱分析 用于频谱域OCT图像的重建和频谱分析的MATLAB代码。 该代码可用作OCT分子成像平台的一部分，我们称之为MOZART。 创建该代码是为了从Thorlabs OCT中读取原始干涉图（SW版本4效果最好，但版本3也受支持，但有一些更改）。 它将原始干涉图重建为OCT图像，并支持2D，3D和散斑方差。 除了重建图像之外，此代码还包括： 计算标准化的花斑变化（用于检测血管） 计算色散补偿 基于双频频谱分析，计算频谱对立图 计算光谱深度补偿 创建结合了OCT图像，光谱分析和斑点变化的图像。 和更多功能... 使用此代码和分析创建的图像示例： （连续注射两种类型的大金纳米棒后，绘制小鼠耳廓的增强OCT图像） 该代码用于创建图像并进行以下分析：“具有皮摩尔灵敏度的增强光学相干断层扫描，以进行功能性体内成像”，O Liba，ED SoRelle，D Sen，A de La Zerda-科学报告，2016年。 如果您使用我们的代码，请引用我们的论文。 我要感谢德国吕贝克的Thorlabs团队在使用OCT系统和重建原始信号方面的支持。 代码的用法： 如果使

视网膜分层是视盘结构三维分析、青光眼三维特征提取的基础，为改善视网膜 OCT 图像的层次分割效果，提出了一个基于强度的二维视网膜黄斑 OCT 图像多层结构分割算法。分割方法通过预处理、滤波等操作，计算出视网膜OCT图像中每个A-scan的强度和强度梯度值，能很好地分割出视网膜OCT图像中的RNFL上界、IS和OS分界线、RPE层下界等，并用最短距离计算的黄斑距离策略对黄斑部位分层结果进行再优化，从而实现视网膜OCT图像的层次分割。实验结果表明，所提算法优化效果好，时间复杂度低，运行速度较快。