Advertisement

视网膜眼底图像配准数据集。

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

简介：
该眼底图像配准数据集（通常被称为FIRE数据集）包含129张视网膜图像，从而构建了134个独立的图像对。这些图像对依照其特定的特征被划分为三个不同的类别。这些图像是通过Nidek AFC-210眼底照相机获得的，该照相机能够以2912x2912像素的分辨率和45°的视野范围（FOV）在横向和纵向方向上捕捉图像。 收集到的图像来源于塞萨洛尼基亚里斯多德大学亚里斯多德大学的Papageorgiou医院，该医院位于塞萨洛尼基。 这些图像来源于39位患者的数据。 数据集的详细信息以及相关文件（包括“Retina Fundus Image Registration_datasets.txt”和“Retina Fundus Image Registration_datasets.zip”）均已提供。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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。
     
  • FIRE 视网膜图像数据集
    优质
    FIRE视网膜图像数据集是一套包含大量眼底照片的数据集合，旨在帮助研究者开发和测试用于自动检测眼部疾病的算法。 FIRE 是一个包含129张眼底视网膜图像的数据集，这些图像被组合成134对，并根据特征划分为了三类。所有的眼底图像都是使用Nidek AFC-210 眼底照相机采集的，分辨率为2912x2912像素，视觉仰角为40度。该数据集由Thessaloniki大学Papageorgiou医院和Aristotle University of Thessaloniki联合构建，并且来源于39名患者的图像。 FIRE 数据集主要包括以下部分： - 成对的视网膜图像 - 彩色区域（ROI）掩模，以二值图像形式呈现 - 特征区域（ROI）掩模，同样为二值图像格式 - 每张图片对应的标注点信息
     
  • 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。
     
  • SURF-PIIFD-RPM_surf_视网膜图像的多模图像配准
    优质
    简介：本文提出了一种创新的SURF-PIIFD-RPM_surf方法，专门用于视网膜图像的多模式图像配准。该技术结合了尺度不变特征变换（SURF）与像素强度和梯度方向直方图（PIIFD），并利用旋转和平移模型（RPM）以实现高精度、鲁棒性强的图像对齐。此方法在眼科医学影像分析中展现出巨大的应用潜力，尤其适用于视网膜 眼底图像配准的源码由作者提供，并且已经过测试证明有效，可以作为参考。
     
  • HRF数据集的视网膜图像数据库（15）
    优质
    HRF数据集包含大量高质量的视网膜图像，旨在促进眼底疾病自动诊断的研究与发展。该数据库为科研人员提供了一个宝贵的资源平台。 HRF数据集包含一组视网膜眼底图像，用于进行视网膜增强、视网膜提取和视网膜识别等操作。
     
  • 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。
     
  • DRIVE眼底影像数据集.zip
    优质
    DRIVE眼底影像数据集包含了标注详细的视网膜血管图像，旨在促进糖尿病性视网膜病变自动检测的研究与开发。 眼底图像分割、关键点检测以及动静脉区分常用的数据集是目前最广泛使用的眼底数据集。该数据集中包含了用于分割的ground truth图、原图和mask，但不包括关键点坐标的ground truth。关键点坐标信息可以在另一个资源中找到，不过一次只能上传一个压缩包。
     
  • 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。
     
  • 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
     
  • 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}