Advertisement

OCT图像分割(DME): 基于光学相干断层扫描的糖尿病性眼部病变分析

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

简介：
本研究聚焦于运用光学相干断层扫描(OCT)技术对糖尿病视网膜病变中的黄斑水肿(DME)进行图像自动分割和定量分析，以期为临床诊断与治疗提供精准的数据支持。 该数据集包含用于分割糖尿病性黄斑水肿光学相干断层扫描图像的影像资料。数据来源于S. J. Chiu, M. J. Allingham, P. S. Mettu, S. W. Cousins, J. A. Izatt和S. Farsiu于2015年4月发表在《BIOMEDICAL OPTICS EXPRESS》期刊第6卷第4期，页码为1172-1194的文章。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • OCT图像分割(DME): 基于光学相干断层扫描的糖尿病性眼部病变分析
    优质
    本研究聚焦于运用光学相干断层扫描(OCT)技术对糖尿病视网膜病变中的黄斑水肿(DME)进行图像自动分割和定量分析，以期为临床诊断与治疗提供精准的数据支持。 该数据集包含用于分割糖尿病性黄斑水肿光学相干断层扫描图像的影像资料。数据来源于S. J. Chiu, M. J. Allingham, P. S. Mettu, S. W. Cousins, J. A. Izatt和S. Farsiu于2015年4月发表在《BIOMEDICAL OPTICS EXPRESS》期刊第6卷第4期，页码为1172-1194的文章。
     
  • 糖尿病性视网膜病变的人眼图像分类系统
    优质
    本研究开发了一套针对糖尿病性视网膜病变的眼底图像自动分析和分类系统，旨在提高疾病早期诊断效率与准确性。 一种基于人眼图像的系统利用了图像处理与机器学习技术来对糖尿病性视网膜病变进行分类。这种方法是Kaggle竞赛中的解决方案。 在图像处理方面，采用了形态学方法提取疾病的特征性标志，如渗出液和红色病灶等。 对于机器学习部分，则使用XGBoost库将疾病分为五类。
     
  • MATLAB方差分析代码-光相干断层扫描重建与频谱分析：用于频谱域OCT图像...
    优质
    本项目提供了一套基于MATLAB的方差分析代码，专为光相干断层扫描（OCT）数据处理设计。通过该工具集可以进行有效的频谱域OCT图像重建及频谱分析，适用于科研与临床诊断应用。 MATLAB方差分析代码用于OCT（光学相干断层扫描）重建及光谱分析，以处理频域OCT图像的重建与解析工作。该代码作为我们称为MOZART的分子成像平台的一部分使用。编写此代码是为了从Thorlabs OCT系统中读取原始干涉图（推荐版本为4，但3版也适用，不过需要进行一些调整）。它能够将这些原始数据转换为OCT图像，并支持二维、三维以及散斑方差分析。 除重建图像外，该程序还具有以下功能： - 计算标准化的花斑变化以检测血管 - 实现色散补偿 - 通过双频频谱法计算频谱对立图 - 创建光谱深度校正后的图像 此外，它还能生成结合了OCT影像、光谱分析和斑点变异性的综合视图。 使用此代码及相关的数据分析可以创建如下所示的示例图片：（在连续注射两种类型的大金纳米棒后绘制小鼠耳廓的增强型OCT图像）。该应用案例参考文献为：“具有皮摩尔灵敏度的增强光学相干断层扫描，以进行功能性体内成像”，OLiba, EDSoRelle, DSen, AdeLaZerda-科学报告2016年。 我们感谢德国吕贝克Thorlabs团队在使用OCT系统及重建原始信号方面的支持。
     
  • 基于MATLAB的光学相干断层扫描图像重建与光谱分析代码开发
    优质
    本项目致力于使用MATLAB开发一套针对光学相干断层扫描(OCT)技术的图像重建及光谱数据分析工具。通过该套程序，能够有效处理OCT数据，进行精确的图像重构，并对获取的数据实施深入的光谱学分析，为生物医学研究和临床应用提供强有力的技术支持。 该代码用于光谱域光学相干断层扫描（OCT）图像的重建及光谱分析，并作为我们称为MOZART的OCT分子成像平台的一部分使用。此代码旨在读取Thorlabs OCT设备生成的原始干涉图，其中SW版本4的效果最佳，但也支持对一些特定变化进行处理的版本3数据。它能够将这些原始干涉图转换为2D、3D或散斑方差形式下的OCT图像，并提供额外的功能： - 计算归一化的散斑方差（用于血管检测） - 基于双波段光谱分析计算色散补偿 - 绘制光谱对比度图表 - 创建结合了OCT图像、光谱分析和散斑方差的综合图像 此外，该代码支持创建更多种类的图像及执行更复杂的分析。此代码被用于发表在《科学报告》2016年的论文“具有皮摩尔灵敏度的对比增强光学相干断层扫描，用于功能性体内成像”，作者包括O Liba、ED SoRelle、D Sen和A de La Zerda。 如果您使用了我们的代码，请引用上述提及的研究文献。
     
  • 基于图形的视网膜层分割在OCT图像中的应用：展示MATLAB环境下对光学相干断层扫描图像的处理技术
    优质
    本研究探讨了利用MATLAB环境下的图形方法进行视网膜层自动分割的技术，专注于优化光学相干断层扫描(OCT)图像分析。通过此技术，提高了眼科疾病早期诊断的准确性和效率。 该脚本展示了如何使用图论技术来分割光学相干断层扫描图像中的视网膜层。使用方法：按 F5 运行脚本。 我正在开发一个开源软件包，用于在光学相干断层扫描图像中进行计算机辅助的视网膜层分割。当前版本包括： 1. 自动识别和分割6个视网膜层的功能。 2. 通过图形用户界面（GUI）检查并手动校正自动分割结果。 该工作基于以下参考文献： Chiu, Stephanie J., 等。“与专家手工分割一致的 SDOCT 图像中七个视网膜层的自动化分割。” 光学快报，18.18 (2010)： 19413-19428。 以及 庞宇腾。 Caserel - 开源软件包用于光学相干断层扫描图像中的视网膜层计算机辅助分割 泽诺多, 2013年. http://dx.doi.org/10.5281/zenodo.17893
     
  • 糖尿病视网膜病变分类-源码
    优质
    本项目提供一套用于辅助诊断和分类糖尿病视网膜病变的代码系统，旨在通过图像识别技术提高临床诊断效率与准确性。 糖尿病视网膜病变的分类主要依据病情的发展程度来进行。这种病症通常被分为非增殖性糖尿病视网膜病变（NPDR）和增殖性糖尿病视网膜病变（PDR）。NPDR阶段，血管渗漏导致黄斑水肿或视网膜组织缺氧；而进入PDR阶段后，则会出现新生血管的生成，这可能导致严重的视力问题甚至失明。因此，对于患有糖尿病的人来说定期进行眼科检查是非常重要的，以便早期发现并治疗这种病变。
     
  • 基于CNN的深度学习在眼底图像中诊断糖尿病视网膜病变的研究-MATLAB实现
    优质
    本研究利用MATLAB平台，采用卷积神经网络(CNN)进行深度学习训练，旨在提高对眼底图像中糖尿病视网膜病变(DR)的自动化诊断效率和准确性。 使用深度神经网络CNN和深度学习技术进行眼底图像分析以检测糖尿病视网膜病变。如有任何疑问，请通过电子邮件联系：josemebin@gmail.com。
     
  • Matlab视网膜图像分割代码：基于混合算法的糖尿病视网膜病变检测
    优质
    本项目提供了一套使用MATLAB实现的视网膜图像分割代码，采用混合算法有效检测糖尿病视网膜病变，为临床诊断提供精准工具。 Matlab视网膜图像分割代码用于糖尿病性视网膜病变的诊断，在视网膜眼底图像上使用了混合算法进行分割。
     
  • 基于Pytorch的糖尿病性视网膜病变检测（Diabetic_Retinopathy_Detection）
    优质
    本项目利用Pytorch框架开发了一种自动化的糖尿病性视网膜病变检测系统。通过深度学习技术分析眼底图像，实现对疾病的早期识别和分级，旨在辅助医生提高诊断效率与准确性。 糖尿病视网膜病变的检测可以使用Pytorch来实现。数据集包含左眼和右眼的图像。 在预处理阶段，由于图像存在噪点问题，通过裁剪这些区域以减少噪声的影响。此外，还遇到了类不平衡的问题，并且利用数据增强技术解决这一挑战。 关于实施方面，在Kaggle的数据集中实现了糖尿病视网膜病变检测模型。该存储库提供了两种实现方式： 1. 二进制分类：在bin_retinet.py中，此模型可以预测一个人是否患有糖尿病性视网膜病。 2. 多类分类： 在multi_retinet.py文件中的模型则能够预测不同级别的病情严重程度，包括无DR、轻度、中等、重度以及增殖性DR。
     
  • 糖尿病预测分析：运用逻辑与线性回归模型分析糖尿病数据集
    优质
    本研究利用逻辑回归和线性回归模型对糖尿病数据进行深入分析，旨在提升疾病预测的准确性。通过这些统计方法的应用，我们能够更好地理解糖尿病的风险因素及其影响，为早期诊断和预防提供科学依据。 糖尿病回归通过逻辑回归模型和线性回归模型对糖尿病数据集进行预测分析。Regression.py文件包含了我们用于回归分析的实际代码。项目中使用的经过训练的模型可以下载并测试，而糖尿病.csv是我们在此项目中使用的数据集。