RV-GAN 是一种新的多尺度生成式体系结构,用于精确定位和分割视网膜微血管结构,在像素级分割视网膜血管时具有优异的性能,该结构通过引入新的加权特征匹配损失来避免传统基于 GAN 的分割系统的保真度丢失。
Jan, 2021
本文提出了一种对比变分自编码器,可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管,并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高,可以在不同的目标领域生成稳定的血管造影,提供了一种良好的可视化方法,是荧光素血管造影的一个无创、安全的替代方法。
Jul, 2023
本文提出了一种基于卷积神经网络的结构化预测模型,有效地解决了(DRIVE 数据集上)自动分割视网膜血管的任务,得到 95.33% 的准确率和 0.974 的 AUC 值。
Nov, 2016
该论文描述了一种新的方法,结合使用 StyleGAN2 和 SA-Unet,用于在医学领域中进行视网膜血管分割的图像处理,旨在帮助医生更好地诊断眼部疾病,并解决小数据集分割问题。
Aug, 2023
本文综述了最新的深度学习方法的设计特点、性能评估指标以及优缺点,主要围绕自动视网膜血管分割的应用展开。
Jun, 2023
提出了一种基于编码解码神经网络结构、sigmoid 平滑和自适应阈值方法的全尺度微血管提取机制,对视网膜血管分割问题进行了降低,取得了与之前研究相比具有竞争力的结果。这一性能的提升使得该解决方案更有可能应用于寻求眼科专家关注的真实诊断中心。
Nov, 2023
该研究提出了一种基于深度学习的新方法,通过 U-net 神经网络和边缘感知机制实现视网膜血管图像的血管分割,实验结果表明该方法在三个数据库上的表现可与现有的最先进方法相媲美,具有 97.99%的 AUC,并且运行时间更有效率。
Jun, 2018
提出一种名为 MRC-Net 的多分辨率上下文网络,其中采用多尺度特征提取技术以学习语义不同特征之间的上下文依赖性,并使用双向递归学习模型前者 - 后者和后者 - 前者之间的依赖性,在对前景分割进行对抗训练的基础上进行训练,以提高分割网络的性能,同时保持可比较低的可训练参数数量。该方法在 DRIVE、STARE 和 CHASE 三个基准数据集上表现优异,与现有的竞争方法相比具有更好的性能。
Apr, 2023
本研究提出了一种基于实例分割神经网络的强大的半自动血管追踪算法,能够追踪视网膜图像中不同血管树,并保留血管层次结构信息,为后续与视网膜疾病相关的血管形态学分析铺平了道路。
Feb, 2024
本文提出了一种通过血管分割技术直接从数据中学习综合眼底图像的方法,并使用基于对抗学习的图像转换技术将二进制血管树映射到新的视网膜图像,其实验结果以定量方法证实生成的图像保留了真实图像集合的大部分质量。
Jan, 2017