VesselMorph: 基于形态感知表示的领域通用视网膜血管分割
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
提出一种自动分割视网膜图像中的血管的方法,使用基于像素特征向量的小波变换响应和贝叶斯分类器来分类像素为血管或非血管,并在手动分割的标记像素的训练集上估计概率分布,以达到对公开数据库的非膜型图像进行评估的目的。
Sep, 2005
基于半监督域自适应的脑血管分割方法,通过图像到图像的转换和语义分割,利用一个分离和语义丰富的潜在空间来表示异构数据并在不同模态之间进行图像级别的自适应,实现了高效且稳定的模型训练,并在不同模态下取得了同源领域最佳性能与目标领域 8.9% 的 Dice 值差距,具有可靠的脑血管图像分割潜力。
Sep, 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
本研究提出了一种将血管分割网络集成到图像翻译任务中的方法,并通过扩展 CycleGAN 框架,将其插入到 UNet 视觉转换器生成器网络之前,以此来提高基于深度学习的多模式视网膜配准方法的训练数据集。我们重构了原始的恒等损失,以学习血管分割与真实图像之间的直接映射,并添加了分割损失项以确保伪图像与真实图像之间共享血管位置。实验结果表明,我们的方法外观逼真,且可以保留血管结构,从而为生成多模态训练数据进行图像配准奠定基础。
Jun, 2023
本研究提出了一种新颖的基于深度学习的血管分割系统,将图卷积网络与统一的 CNN 结构相结合,可以应用于扩展任何类型的基于 CNN 的血管分割方法,实验证明该方法在两个视网膜图像数据集以及冠状动脉 X 射线血管造影数据集上性能优于当前的最先进方法。
Jun, 2018
本文提出了一种基于生物启发的多方向分析的视网膜血管提取方法,应用可逆向分数进行多方向分析,通过 SE (2) 中的曲线优化几何学原理来跟踪血管并提取视网膜血管模型,该方法可自动执行,提供视网膜血管的详细模型,是进一步定量分析视网膜的有力基础。
Dec, 2012
本文研究了两种自动化的血管定位方法,用于处理健康和不健康(病理性)视网膜图像,通过降低亮斑效应和使用多尺度线运算符定位线状血管结构来忽略黑斑病变。通过与现有解决方案的定量和定性比较,结果表明这些方法与其他解决方案高度可比。
Oct, 2023