💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
在分割之前,会对视网膜图像进行预处理,如降噪、增强对比度和图像归一化,以改善图像质量。采用形态学运算、匹配滤波和基于Hessian的方法等技术来增强血管与背景之间的对比度。此步骤旨在使血管结构更易于区分。利用各种分割算法从视网膜背景中分割出血管。这些包括阈值化、基于区域的方法、边缘检测、k-means等聚类技术,以及支持向量机(SVM)或卷积神经网络(CNN)等基于机器学习的方法。在分割之后,进行形态学运算、连通分量分析和血管跟踪等后处理步骤,以细化分割的血管图、去除噪声并确保血管结构的连续性。使用准确度、灵敏度、特异度和Dice系数等指标评估分割算法的性能,通过将分割后的血管与手动标注的地面真实数据进行比较。一旦血管被准确地分割出来,提取的信息可以应用于各种临床应用,如诊断视网膜疾病(如糖尿病视网膜病变、青光眼)、评估血管变化以及监测疾病进展。视网膜图像分割以提取血管结构是计算机辅助诊断系统和生物医学研究中的关键步骤,旨在帮助临床医生早期检测疾病并监测治疗进展。
📚2 运行结果
部分代码:
function [P, N, T] = calculatePNT(seg,gt)
%clear all;
%clc;
%gt1 = imread('1_lab.tif');
%gt = im2bw(gt1);
%seg = imread('1_seg.tif');
%calculated 憈rue retina� and 慺alse retina� as well as 憈rue background� and 慺alse background�.
number_of_pixels_gt = numel(gt);
number_of_retina_pixels_gt = sum(gt(:) == 1);
number_of_background_pixels_gt = number_of_pixels_gt - number_of_retina_pixels_gt;
number_of_pixels_segmented = numel(seg);
number_of_retina_pixels_segmented = sum(seg(:) == 1);
number_of_background_pixels_segmented = number_of_pixels_segmented - number_of_retina_pixels_segmented;
and_op = gt & seg;
or_op = or(gt,seg);
number_of_true_retina_pixels = sum(and_op(:) == 1);
number_of_true_background_pixels = sum(or_op(:) == 0);
P = (number_of_true_retina_pixels/number_of_retina_pixels_gt)*100;
N = (number_of_true_background_pixels/number_of_background_pixels_gt)*100;
T = ((number_of_true_retina_pixels+number_of_true_background_pixels)/number_of_pixels_gt)*100;
end
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]陶惜婷,叶青.融合CNN和Transformer的并行双分支皮肤病灶图像分割[J/OL].计算机应用研究:1-8[2024-05-13].https://doi.org/10.19734/j.issn.1001-3695.2023.10.0600.
[2]吴佶蔚,宣士斌.基于残差与小波U-Net的视网膜图像分割[J/OL].计算机系统应用:1-9[2024-05-13].https://doi.org/10.15888/j.cnki.csa.009501.