一种基于深度学习自适应权重的视网膜血管分割方法.pdf
羽沫****魔王
亲,该文档总共13页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于深度学习自适应权重的视网膜血管分割方法.pdf
本发明公开了一种基于深度学习自适应权重的视网膜血管分割方法,包括:对视网膜血管图像进行样本扩充,并对样本进行分组;构建血管分割全卷积神经网络,用训练样本对网络进行预训练,对视网膜血管图像进行全局自适应权重分割,得到视网膜血管分割初始模型参数;在网络层最后添加条件随机场层,对网络进行调优;采用轮换测试的方法将测试样本输入网络,得到视网膜血管分割结果图。本发明提出的血管分割全卷积神经网络结构和自适应权重方法能够实现人眼级别的图像分割,在DRIVE和CHASE_DB1两个国际公开视网膜图像数据库上进行测试,平均
一种基于低尺度血管检测分割视网膜血管的方法.pdf
本发明属于图像识别和医学图像处理领域,涉及一种基于低尺度血管检测的视网膜血管分割方法。第一步:特征提取,本发明用到两个维度的特征矩阵,一个直接来自于彩色视网膜眼底图像的绿色通道。另一个是对用B‑COSFIRE滤波器处理后得到的响应结果。第二步,通过三倍标准差法去掉两个特征矩阵异常值,第三步,LVD模型的设计考虑到多尺度下的特征提取,以及每一层特征的融合,不仅能够从低尺度提取特征,而且保留了原尺度的细节特征。本发明的LVD模型融合了原尺度的细节特征,使得特征信息不丢失,分割结果更准确;子网络ADS‑N有较深
一种基于注意力机制的轻量化视网膜血管分割方法.pdf
本发明公开了一种基于注意力机制的轻量化视网膜血管分割方法,首先对原视网膜血管图像进行预处理,基于U‑Net和全卷积网络构建视网膜血管分割模型,所述视网膜血管分割模型包括前级网络、后级网络、编解码块、空间分组增强模块;将增强视网膜血管图像输入至前级网络获取初始特征图;对初始特征图采样、输出得到完整特征图,对完整特征图卷积、通道拼接操作,输入至后级网络,得到视网膜血管分割图,通过优化U‑Net网络结构,引入注意力机制,在提升分割性能的同时降低网络复杂度,重点解决了视网膜血管分割领域中无法有效平衡网络复杂度以及
一种基于改进U-Net网络的视网膜图像血管分割方法.pdf
本发明提出了一种基于改进U‑Net网络的视网膜血管分割方法。通过对彩色眼底图像进行图像增强,提高图像中血管与背景之间的对比度,同时扩增训练数据集。以U‑Net编码器‑解码器结构为基本分割框架,设计密集卷积块和CDBR层结构代替传统卷积块,实现了多尺度特征信息的学习,提高模型的特征提取能力。同时,在模型跳跃连接处引入注意力机制,使模型重新分配权重,调整特征通道的重要程度,抑制噪声同时解决解码器端上采样过程中的血管信息丢失问题,基于以上技术构建GAB‑D2BUNet网络模型。本发明采用国际公开的视网膜眼底血管
一种基于深度距离变换的脑血管分割方法.pdf
一种基于深度距离变换的脑血管分割方法,包括以下步骤:步骤1中心距离图构建;步骤2血管末梢端点图计算;步骤3中心线提取:构造无向图,根据血管末梢端点构造一个无向图G=(V,E),其中集合V包含其末梢端点对应的所有顶点,集合E包括在26领域设置下连接集合V中两个相邻顶点的所有边;步骤4依据中心线作为中心点,中心距离图作为半径,即可重建出连续不间断的血管模型。本发明能够充分利用管状结构的几何特征,又能避免模型学习中框架与内部体素值相似而无法分类的问题。