Advertisement

Attention2Angio: [ICPR20] [TensorFlow] 基于注意力机制的GAN生成视网膜眼底图像...

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
Attention2Angio是一个基于TensorFlow实现的研究项目，利用注意力机制和生成对抗网络（GAN）技术来生成高质量的视网膜眼底血管图像，旨在促进眼科医学研究。 该代码是ICPR 2020补充材料的一部分，适用于我们的论文《Attention2AngioGAN：使用可逆对抗网络从视网膜眼底图像合成荧光素血管造影》。此后，该论文已加入ICPR 2020，并将于2021年1月发表。 @article{kamran2020attention2angiogan, title={Attention2AngioGAN: Synthesizing Fluorescein Angiography from Retinal Fundus Images using Generative Adversarial Networks}

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Attention2Angio: [ICPR20] [TensorFlow] 基于注意力机制的GAN生成视网膜眼底图像...
    优质
    Attention2Angio是一个基于TensorFlow实现的研究项目，利用注意力机制和生成对抗网络（GAN）技术来生成高质量的视网膜眼底血管图像，旨在促进眼科医学研究。 该代码是ICPR 2020补充材料的一部分，适用于我们的论文《Attention2AngioGAN：使用可逆对抗网络从视网膜眼底图像合成荧光素血管造影》。此后，该论文已加入ICPR 2020，并将于2021年1月发表。 @article{kamran2020attention2angiogan, title={Attention2AngioGAN: Synthesizing Fluorescein Angiography from Retinal Fundus Images using Generative Adversarial Networks}
     
  • V-GAN-tensorflow：基于张量流的生成对抗网络在眼底镜图像中进行视网膜血管分割的方法
    优质
    V-GAN-tensorflow 是一种创新方法，利用生成对抗网络（GAN）和TensorFlow框架，在眼底镜图像中高效准确地实现视网膜血管自动分割。该技术为眼科疾病的早期诊断提供了强大工具。 Tensorflow中的V-GAN实现存储库包含参考的Keras代码。 改进之处包括： 1. 数据扩充从离线过程改为在线处理，解决了内存限制问题但会减慢训练速度。 2. 引入了`train_interval FLAGS`以控制生成器和鉴别器之间的训练迭代。对于普通GAN，`train_interval`为1。 3. 根据验证数据的AUC_PR和AUC_ROC之和来保存最佳模型。 4. 添加采样功能以便在训练过程中检查生成的结果，并了解其变化情况。 5. 在张量板上绘制测量结果以进行可视化。 代码编写更加结构化。所使用的包依赖包括： - Tensorflow 1.6.0 - Python 3.5.3 - Numpy 1.14.2 - Matplotlib 2.0.2 - Pillow 5.0.0 - Scikit-image 0.13.0 - Scikit-learn 0.19.0 - SciPy
     
  • 视网膜眼底图像配准——数据集
    优质
    本数据集专注于视网膜眼底图像配准问题，提供大量标准化的眼底影像及注释信息，旨在促进眼科医学领域的研究与应用。 该数据集眼底图像配准数据集（也称为FIRE）包含129个视网膜图像，形成134个图像对，并根据其特征分为三个不同的类别。这些图像是使用Nidek AFC-210眼底照相机采集的，在x和y方向上的分辨率为2912x2912像素且视野为45°。数据集中的所有图像均来自位于塞萨洛尼基的亚里斯多德大学Papageorgiou医院，由39名患者提供。
     
  • 视网膜血管分割：基于DenseNet的眼底镜图像处理方法
    优质
    本研究提出了一种基于DenseNet架构的眼底镜图像处理技术，专注于视网膜血管的有效分割，旨在提高眼科疾病的早期诊断和治疗效果。 视网膜血管分割 作者：zhiyu-Lin 日期：2018-7-1 描述： 本段落探讨了如何利用深度卷积神经网络对眼底图像中的视网膜血管进行有效分割，这是一项数字图像处理的课程作业。 随着近年来医学设备和科技的进步，越来越多的医学影像被应用于病理诊断及研究中。其中，视网膜图像是非常关键的一类医学图像，在预测与诊断眼球疾病方面具有重要的指导意义。 本报告介绍了如何使用深度卷积神经网络对眼底图像进行视网膜血管分割的具体方法：训练二分类和多分类的分割模型（分别用于粗细血管的区分），利用二分类结果来增强原图，进而采用多分类模型进行二次精细分割。 实验结果显示，在大多数情况下，通过两次迭代处理得到的结果比单次处理具有更高的准确性。测试集中F1值达到了0.8253。 环境： - Python >= 3.5 - PyTorch == 0.3.0.post4 - TorchVision
     
  • Retinal Blood Vessels Extraction: 从视网膜眼底图像中提取血管
    优质
    本研究致力于开发先进的算法和技术，用于精确地从视网膜眼底图像中自动提取血管结构，旨在促进眼科疾病的早期诊断和治疗。 进行这项研究项目的目标是对视网膜图像中的血管展开比较分析。通过分割视网膜血管并描绘其不同的形态属性（如宽度、长度、分支模式、曲折度及角度），该方法可用于筛查、治疗、诊断以及评估多种眼科和心血管疾病，例如糖尿病、动脉硬化症、高血压与脉络膜新生血管形成等。 研究中还应用了视网膜图像的自动合成技术及多时相或时间序列影像配准，并提取分支点。通过这些手段能够实现对脉管系统的自动化检测与分析，从而帮助眼科医生实施针对糖尿病性视网膜病变和黄斑水肿的筛查程序；同时还可以探究高血压性视网膜病变与血管曲折度之间的关联、辅助计算机支持下的激光手术及测量用于诊断高血压相关的血管直径。 为了完成此项目执行了以下任务： - 设计并训练了一种基于U-Net架构（一种专为生物医学图像分割设计的卷积神经网络）的CNN模型，以实现视网膜血管的有效分割。 - 使用AUC-ROC性能度量指标来评估视网膜血管分割的效果。
     
  • 视网膜血管图像的分割与眼底血管三维重建
    优质
    本研究致力于开发先进的算法和技术，用于精确分割视网膜血管图像，并构建眼底血管的三维模型，以提高眼科疾病的诊断和治疗水平。 眼底视网膜图像中的血管分布情况为高血压、糖尿病等疾病的早期诊断提供了重要的参考依据。通过计算机处理这些眼底图像可以减轻医生的重复劳动负担。本段落提出了一种新的用于分割眼底视网膜血管图像的算法，该算法首先利用局部归一化方法来消除背景差异性的影响；然后使用期望最大化算法进行聚类操作以实现精确地分割出血管区域；最后基于眼底成像原理通过投影逆变换构建了三维模型，使得可以从多个角度观察和分析视网膜结构。所建立的这种模型有助于更全面深入地理解与研究相关疾病的情况。
     
  • 基于TensorFlow的AttentionLSTM：在LSTM中实现注意力机制
    优质
    本研究利用TensorFlow框架，在传统的长短时记忆网络（LSTM）模型基础上引入了注意力机制，有效提升了复杂序列数据处理的能力和效率。 在使用TensorFlow实现LSTM时，可以结合注意力模型来提升性能。
     
  • 基于Keras的TensorFlow 2.0手写图片GAN生成
    优质
    本项目利用Keras框架下的TensorFlow 2.0版本，实现了一种针对手写数字图像的手写图片生成对抗网络（GAN），能够创造出逼真的手写数字图像。 本段落介绍的博客使用了一个可以直接使用的程序，用于通过GAN生成MNIST数据集图片。该程序基于TensorFlow 2.0，并且利用了Keras框架。
     
  • 视网膜眼底图像中的视盘检测-MATLAB代码与源码（Optic-Disc-Detection）
    优质
    本项目提供了一套用于识别和定位视网膜眼底图像中视盘区域的MATLAB代码及源码，旨在辅助医学影像分析。 视盘检测用于在视网膜眼底图像中识别视盘的MATLAB代码。find_disc.m是最终要运行的文件。其余部分是我正在测试的内容。该程序期望接收来自extract_vessels_edge_gray.m的输出结果。