特征增强分割网络(FES-Net)用于血管分割
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
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
通过使用 Swin-Res-Net 模型,该论文提出了一种改进视网膜血管分割的方法,提高了对显微血管的定位和分离能力,并在广泛使用的数据集上取得了出色的结果。
Mar, 2024
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
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
本文提出了一种上下文编码网络(CE-Net),用于 2D 医学图像分割,其中包含特征编码器模块、上下文提取器和特征解码器模块,使用预训练的 ResNet 块作为特征提取器,并应用于不同的 2D 医学图像分割任务中,结果表明,所提出的方法在不同医学图像分割任务中性能优于原始 U-Net 方法和其他最新方法。
Mar, 2019
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
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