Mar, 2024

一种新的设计的双路径交互融合模块模型，用于增强图像中的视网膜血管结构分割

PDF
TL;DR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。
retinaretinal vessel segmentationswin-res-netmicro vesselsretinal diseases
发现论文，激发创造
  • FS-Net: 全尺度网络与自适应阈值用于提升微血管结构的提取

    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

  • RV-GAN: 一种新型多尺度生成对抗网络用于眼底照片中的视网膜血管结构分割

    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

  • 基于全卷积神经网络的结构化预测方法用于视网膜血管分割

    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

  • 多分辨率上下文网络和对抗学习在视网膜血管分割中的应用

    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

  • 深度监督加附加标签的视网膜血管分割任务

    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

  • 特征增强分割网络（FES-Net）用于血管分割

    利用深度学习技术，提出了一种名为 FES-Net 的新型特征增强分割网络，用于准确地分割视网膜血管，无需额外的图像增强步骤，并在多个公开数据集上验证了其卓越的性能。

    Sep, 2023

  • 基于可解释卷积神经网络的视网膜底部分类及基于先进视网膜血管图像分割模型

    我们的研究聚焦于通过检查眼底图像中的视网膜血管进行疾病的早期诊断。我们利用八个预训练的 CNN 模型进行基于深度学习的分类，同时应用了可解释的 AI 技术，如 Grad-CAM、Grad-CAM++、Score-CAM、Faster Score-CAM 和 Layer CAM。通过对多个模型进行评估，我们发现 ResNet101 具有最高的准确率（94.17%），而 EfficientNetB0 的准确率最低（88.33%）。对于图像分割，Swin-Unet 表现出 86.19% 的平均像素准确率，而 Attention U-Net 基于 DenseNet201 的准确率最低（75.87%）。

    May, 2024

  • 增强即自动网络：面向医学图像分割的增强驱动对比多视角学习

    该研究提出了一种高效的多视图学习框架，通过与各种变换的多个增强视图进行比较，对比学习不变的血管特征表示，以克服数据短缺问题并提高泛化能力，同时将注意机制集成到卷积神经网络中，用于进一步捕捉复杂的连续曲线状血管结构。该方法在 CHASE-DB1 数据集上验证，使用 UNet 结构获得 83.46% 的最高 F1 得分和 71.62% 的最高 IoU 得分，分别超过现有基准 UNet 方法的 1.95% 和 2.8%。该方法的快速训练和高效实施特性支持实际应用和部署。

    Nov, 2023

  • IterNet: 利用血管网络结构冗余的视网膜图像分割

    本文提出了一种名为 IterNet 的深度学习模型，基于 UNet，可用于视网膜血管分割，采用多个迭代的 mini-UNet，完全依赖于分割的血管图像本身来发现被遮盖的细节，无需预先训练。在 DRIVE、CHASE-DB1 和 STARE 三个主流数据集上，IterNet 均取得了当前文献中最佳的 AUC 分数 0.9816，0.9851 和 0.9881。

    Dec, 2019

  • SA Unet 改进

    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