SA Unet 改进
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
将视网膜图像分割任务视为图像级回归,通过引入 SAUNA 变换和广义的 Jaccard 度量损失训练 U-Net 模型,在 5 个视网膜图像数据集上优于最近发表的方法。
May, 2024
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
提出 Deformable U-Net(DUNet)进行视网膜血管分割,其中将可变卷积与提出的网络结合,通过自适应地调整感受野来捕获不同形状和规模的眼底血管,实现疾病诊断。实验结果表明,DUNet 在 DRIVE、STARE 和 CHASE_DB1 等数据集上的全局准确度和 AUC 显著优于其他方法。
Nov, 2018
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
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
利用眼底数字成像技术,通过主动学习构建了一个新的数据集,其中包含由医学生及眼科医师审查的 240 个手动分割的视网膜小动脉和小静脉,开发了一种名为 LUNet 的新型深度学习架构,用于高分辨率的动静脉分割,并证明 LUNet 在多个测试集上显著优于其他分割算法。
Sep, 2023
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