面向 SLO 图像的公开船舶分割算法
SLOctolyzer 是第一个开源工具,用于将原始 SLO 图像转换为可复制和临床意义的视网膜血管参数,并从大型 OCT 图像集中提取视网膜血管测量结果,并将其与眼部或系统性疾病联系起来。
Jun, 2024
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
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
利用基于补丁的主动领域适应方法改进了超广角扫描激光眼底镜成像中船体分割的准确性,在多个医疗中心的数据上验证了方法的有效性和鲁棒性,并构建了用于交叉中心评估的首个多中心超广角扫描激光眼底镜血管分割数据集。
Jun, 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
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 UOLO 框架,用于医学图像中感兴趣结构的同时检测和分割。UOLO 由对象分割模块组成,其中间抽象表示被处理并用作对象检测的输入。该系统同步优化以检测对象类和分割可选结构类。通过新的损失函数进行训练,考虑到每个训练图像是否可以获取参考分割。在公共数据集上,验证 UOLO 在视网膜图像中同时进行视盘(OD)检测、黄斑检测和 OD 分割,实现了最先进的性能。
Oct, 2018
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