使用U-Net和LadderNet网络框架，实现眼底图像血管分割，包括训练、测试和评估等环节。

正确的视盘(OD)定位和分割是糖尿病视网膜病变自动筛选系统中的两个主要步骤.鉴于此,提出一种基于显著性目标检测和改进局部高斯分布拟合(LGDF)模型的视神经盘分割方法.该方法主要包含两个阶段:第一阶段,将显著性检测技术应用到增强的视网膜图像中实现视盘的自动定位;第二阶段,通过增加椭圆约束信息来改进局部高斯分布拟合(LGDF)模型分割视盘边界.使用公开数据库Diaretdbq对所提出方法的性能进行测试,并与其他先进的方法进行对比,结果验证了所提出方法的优越性和有效性.

眼底图像处理中一些关键问题的研究，李居朋，陈后金，眼底检查对于眼科疾病以及某些全身性疾病的早期诊断具有重要意义。由于眼底图像具有特征复杂的特点，使得前人在眼底图像处理与量

matlab除噪声代码船只提取 基于CNN的系统，用于对血管进行分割，然后从眼底图像中去除血管，以使用在此清理过的眼底版本上方训练的分类器以及经过训练的分析器来分析血管图以识别与血管形状相关的临床特征的分类器，从而提供更好的诊断模型，像船只的曲折。 训练数据 训练数据是从和数据集中获得的。 对于STARE数据集，使用由Valentina Kouznetsova注释的目标血管图，因为它更加详细。 数据预处理和数据集生成 笔记本用于根据DRIVE和STARE数据集中的可用图像生成256 X 256色块的庞大数据集。 补丁是随机生成的。 对于健壮的训练，还会生成涉及图像翻转和噪声添加的补丁。 为了使用笔记本而不进行任何更改，请确保以下树结构用于存储DRIVE和STARE数据集： VesselExtract/ ├── DRIVE │   ├── test │   └── training ├── STARE │   ├── labels-vk │   └── stare-images ├── generate_patches.ipynb ├── README.md ├── research_m

FIRE: Fundus Image Registration Dataset 是一个视网膜眼底图像数据集，其拥有 129 张眼底视网膜图像，并根据不同特征组合成 134 对图像，这些图像组合根据特征被划分为 3 类，其中眼底图像由 Nidek AFC-210 眼底照相机采集，分辨率为 2912 * 2912，视觉仰角为 40 度。 该数据集由 Papageorgiou Hospital 和 Aristotle University of Thessaloniki 共同构建并于 2017 年发布，数据来自于 Thessaloniki 大学的 39 名患者，主要发布人有 C. Hernandez-Matas、X. Zabulis、A. Triantafyllou、P. Anyfanti、S. Douma 和 A.A. Argyros，相关论文有《FIRE: Fundus Image Registration Dataset》。

彩色眼底图像中视盘识别算法研究.pdf

实现的算法基于最大主曲率。这里提取视网膜图像的绿色切片以分割血管。然后在高斯滤波图像的每个像素中获得最大主曲率。经过一些对比度增强后，使用以下方法获得最终分割图像ISO 数据阈值。 该算法使用驱动器数据库中的图像进行验证。 (准确度> 0.94)

视网膜眼底图像确实包含可以使用简单的形态学操作检测到的渗出物（异常）

基于眼底图像监督学习的整体视网膜血管分割

DRIONS-DB中两位专家手动标记的视盘区域坐标点信息。是txt文件。