Advertisement

DRIVE眼底图像数据集已提供。

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

简介：
眼底图像的分割、关键点检测以及动静脉的区分，这些操作所依赖的常用数据集，是眼底领域内应用最为广泛的数据集之一。事实上，可以省略“之一”二字。这些数据集包含了分割图的ground truth、原始图像以及掩膜图像；此外，它们并未包含关键点的坐标信息，关键点坐标则存储在另一个上传的资源文件中，并且每次只能上传一个压缩包，这确实有些不便。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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。
  • U-Net在 DRIVE 眼底图像数据集上的分割应用项目
    优质
    本项目利用U-Net模型对DRIVE眼底图像数据集进行血管和病变区域的精准分割，旨在提高眼科疾病的诊断效率与准确性。 U-net在Drive眼底数据集分割项目中的应用。
  • 眼底血管分割数据集：Drive与Chase的应用
    优质
    本研究探讨了 DRIVE 和 CHASE 两个主要眼底血管分割数据集在医学图像分析中的应用，旨在提升视网膜疾病的自动诊断效率和精度。 Drive训练20张，测试20张；Chase训练20张，测试8张。
  • 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。
  • 基于 UNet 的 DRIVE 数据集图像分割方法
    优质
    本研究提出了一种改进的UNet模型，专门针对DRIVE数据集的眼底血管图像进行精确分割。通过优化网络架构和训练策略，显著提升了图像中微小血管结构识别的准确性和效率。 使用UNet网络进行DRIVE数据集的图像分割任务。
  • DRIVE数据集.zip
    优质
    《DRIVE数据集》包含了大量标注的眼底血管图像，为视网膜疾病的自动检测和分析提供了宝贵资源。 DRIVE数据库是一个常用的公开视网膜血管图像库，包含40幅视网膜血管图片，其中33幅来自健康个体的眼底图，7幅含有糖尿病视网膜病灶的眼底图。该数据库可以从官方网站下载，方便大家获取和使用。
  • ORIGA青光眼医疗图像数据集
    优质
    ORIGA青光眼医疗图像数据集是由一系列用于研究和开发青光眼诊断算法的眼底彩色照片构成的专业数据库。 ORIGA是一个经典的医疗图像数据集，包含650张照片及其对应的蒙版，分辨率为3072×2048。相关论文为《ORIGA-light：用于青光眼分析与研究的在线视网膜图像数据库》。原始的数据集网站已下线。目前，ORIGA-light包含了由新加坡眼科研究所的专业人员标注的650张视网膜图像，这些图像是为了诊断青光眼而特别注释的重要标志集合。我们将持续更新该系统，并添加更多的临床真实数据。
  • DRIVE数据集在视网膜图像分割中的应用
    优质
    简介：本文探讨了DRIVE数据集在视网膜图像分割领域的应用，通过分析该数据集中提供的血管标记图，研究者能够开发和优化算法以提高眼底疾病的诊断准确性。 DRIVE数据集用于视网膜图像的分割任务，其中一半的数据作为训练集，另一半作为测试集。
  • 眼科疾病视网膜图像数据集
    优质
    该眼科疾病视网膜图像数据集用于数据说明。该数据集由正常、糖尿病视网膜病变、白内障和青光眼视网膜图像构成，每个类别约包含1000张图像。这些眼底图像均经过预处理，原始数据集则属于眼部疾病-眼底-图像数据库的最新版本。该数据集基于原始数据集进行优化生成。
  • 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。