求视网膜oct图像数据集

最新推荐文章于 2024-05-07 08:19:06 发布

宠七.

最新推荐文章于 2024-05-07 08:19:06 发布

阅读量2.6k

点赞数

分类专栏：笔记

本文链接：https://blog.csdn.net/chongnile/article/details/104951986

版权

笔记专栏收录该内容

0 篇文章 0 订阅

订阅专栏

研二在读生，毕设卡在了数据集上，数据量太少，求oct图像语义分割带标签的数据集，有知道的吗

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

宠七.

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
6
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

matlab视网膜图像分割代码-OCT-seg-papers:OCT分割的个人论文清单

06-12

matlab一种图像分割代码OCT-seg-论文关于 OCT 分割的个人论文/代码/数据集列表背景 2018 年 OCT 血管造影中分割错误和运动伪影的发生率因视网膜疾病而异 2013 年视网膜光学相干断层扫描分割算法综述深度学习 2017 ReLayNet：使用全卷积网络的黄斑光学相干断层扫描的视网膜层和流体分割代码： 2017 使用深度学习和图形搜索自动分割非渗出性 AMD 患者 OCT 图像中的九个视网膜层边界 2018 (Google DeepMind) 临床应用深度学习用于视网膜疾病的诊断和转诊 2019 年视网膜 OCT 分割的全卷积边界回归预处理代码：二维 Unet，边界的列方式 softmax 2020 (Google DeepMind) 使用深度学习预测湿性年龄相关性黄斑变性的转化传统的 2014 年使用全局形状正则化在 3-D OCT 图像中进行概率性视网膜内层分割. 代码： 2D 和 3D，GR 2018 使用条件随机场的视网膜光学相干断层扫描图像的监督联合多层分割框架代码： CRF，Matlab中的代码来自单个 OCT b 扫描的视网膜层的分割和分析

视网膜数据集.rar

05-22

视网膜数据集，包含CHASEDB，DRIVE,STARE，需要使用这些数据集对视网膜分割的可以使用，

6 条评论您还未登录，请先登录后发表或查看评论

医学OCT视网膜疾病识别分类数据集14600张4类别

FL1768317420的博客

05-07

321

特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放。类别名称:["CNV","DME","DRUSEN","NORMAL"]数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片。数据集类型：图像分类用，不可用于目标检测无标注文件。图片数量(jpg文件个数)：14600。DRUSEN 图片数：3650。NORMAL 图片数：3650。CNV 图片数：3650。DME 图片数：3650。

飞桨学习赛：眼底OCT层分割（GOALS挑战赛任务一）第二名方案

m0_63642362的博客

01-13

1558

飞桨眼底OCT层分割常规赛 2022年12月榜单第2名方案分享。

OCT 医学图像分类

weixin_53598445的博客

02-20

3287

图中，最左侧为脉络膜新生血管(CNV)，具有新生血管膜(白色箭头)和相关的视网膜下液(箭头)；训练过程中会保留微调后的模型参数，在微调完成之后，加载微调后的模型参数训练PDBL模块，同时要保存ResNet50+PDBL的模型参数，在全部训练过程完成之后，加载ResNet50+PDBL模型对OCT数据集的测试集进行预测验证模型性能，结果如图7(右)所示。OCT图像中含有大量的噪声以及许多无关区域，即背景区域有很多，因此对OCT图像的处理的目的就是对OCT图像进行去噪，将前景区域对齐并裁剪，舍弃背景区域。

解锁AI技能：深度学习利用OCT图像诊断眼内视网膜疾病

qwe254927977的博客

09-03

5681

解锁AI技能：深度学习利用OCT图像诊断眼内视网膜疾病深度学习（Deep learning，DL）是一种新型的AI机器学习技术，它使用一些机器学习技术解决现实世界的问题，通过开发神经网络，模拟人类的决策。在过去的几年里，深度学习（Deep learning，DL）在医学中得到了广泛的应用，旨在模仿人脑中的神经元层来处理和提取信息，使计算机无需明确编程即可学习。这种技术也可用于检测疾病，包括...

Segmentation of OCT images (DME) OCT图像分割（DME）：光学相干断层扫描（OCT）和糖尿病性黄斑水肿（DME）-数据集

03-04

该数据集包含对糖尿病性黄斑水肿的光学相干断层扫描图像进行分割的图像。数据集载自文章：S. J. Chiu, M. J. Allingham, P. S. Mettu, S. W. Cousins, J. A. Izatt, S. Farsiu, "Kernel regression based segmentation of optical coherence tomography images with diabetic macular edema", ( BIOMEDICAL OPTICS EXPRESS), 6(4), pp. 1172-1194, April, 2015 Segmentation of OCT images (DME)_datasets.txt

眼底数据集

01-17

眼底数据集，主要用于眼底图像的分割等实验，原图是彩色的

2015_BOE_Chiu2 杜克大学oct数据集

qq_45738122的博客

12-30

1453

2015_BOE_Chiu2 杜克大学oct数据集

基于深度学习的视网膜OCT图像分类方法.PDF

07-28

其次，对包含正常视网膜OCT图像与非正常视网膜OCT图像的训练集对所述卷积神经网络进行训练。训练集中的图像可以通过数据扩充操作和数据增强操作来丰富，例如旋转、平移、随机裁剪、伸缩变换和光学畸变等。最后，...

适用于图像分类识别-医学OCT视网膜疾病识别分类数据集(一万多张，已划分训练、验证、测试数据).zip

04-07

【数据集说明】适用于图像分类识别-医学OCT视网膜疾病识别分类数据集(一万多张，已划分训练、验证、测试数据).zip 适用于图像分类识别-医学OCT视网膜疾病识别分类数据集(一万多张，已划分训练、验证、测试数据).zip 适用于图像分类识别-医学OCT视网膜疾病识别分类数据集(一万多张，已划分训练、验证、测试数据).zip 适用于图像分类识别-医学OCT视网膜疾病识别分类数据集(一万多张，已划分训练、验证、测试数据).zip 适用于图像分类识别-医学OCT视网膜疾病识别分类数据集(一万多张，已划分训练、验证、测试数据).zip 类别包含4类，分别是：CNV、DME、DRUSEN、NORMAL 4种类别情况。最左侧为脉络膜新生血管(CNV)，具有新生血管膜(白色箭头)和相关的视网膜下液(箭头)；左中为糖尿病性黄斑水肿(DME)与视网膜增厚相关的视网膜内液(箭头)；中右为早期AMD，存在多个玻璃疣(箭头)；最右侧具有保留的中心凹轮廓且没有任何视网膜液及水肿的正常视网膜(NORMAL)。

DUKE大学OCT数据集Chiu_BOE_2014_dataset及分割出的标注

06-02

DUKE大学OCT图像（Chiu_BOE_2014_dataset）积液分割图像，包括源文件（.mat）以及自己分割出的专家标注二值图。用于积液分割，机器学习训练数据源。 数据集原.mat文件可以自己用matlab处理，我这里用python代码解析出来的图片。

OctClassify:OCT 数据集的自动分类

06-02

OCT 的自动分类这个项目是论文中提到的分类管道的一个实现：

Draft Tue Oct 09 10:20:15 CST 2018-数据集

03-30

Draft Tue Oct 09 10:20:15 CST 2018-数据集

基于深度学习的OCT图像检测视网膜疾病内含数据集和运行说明.zip

05-01

该系统包含一个大规模的OCT图像数据集，涵盖了多种视网膜疾病，如年龄相关性黄斑变性、糖尿病性视网膜病变等。数据集经过专业医生标注，确保了标签的准确性。此外，项目还提供了一套运行说明，详细介绍了如何使用预...

深度学习用于视网膜OCT图像的质量评估

03-09

然而，像光遮挡和患者运动等外部因素会严重影响OCT图像质量，进而使得手动视网膜病变检测和计算机辅助诊断变得复杂。因此，本研究首次提出了一种基于信号完整性、定位和有效性自动分类的OCT图像质量评估（OCT-IQA）...

医学OCT视网膜疾病识别分类数据集14600张4类别.zip

最新发布

05-09

数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片图片数量(jpg文件个数)：14600 分类类别数：4 类别名称:["CNV","DME","DRUSEN","NORMAL"] 每...

DUKE大学BOE数据集 OCT图像积液分割数据集

我的博客

05-26

3205

地址：http://people.duke.edu/~sf59/Chiu_BOE_2014_dataset.htm 使用此数据集用来做积液分割研究使用python将.mat转换为图片格式 #对BOE .MAT格式文件处理成图片 import cv2 import scipy.io as scio import os # [0,1]=>[0,255] def changeImg(gray): H, W = gray.shape for i in range(0, W):

视网膜图像分割数据集准备

07-17

准备一个适用于视网膜图像分割的数据集是进行该任务的重要一步。以下是一些常用的方法来准备视网膜图像分割数据集： 1. 数据收集：收集大量的视网膜图像数据。这些图像可以来自于医学影像数据库、临床实验室或其他来源。确保图像具有高质量和多样性，涵盖不同类型的疾病和正常情况。 2. 数据标注：为每个图像标注所需的分割区域。这可以通过专业医生手动标注，或者利用自动标注算法辅助完成。标注时需要注意准确性和一致性，以确保标注结果可靠。 3. 数据预处理：对图像进行预处理以提高模型的性能。这包括图像增强（如对比度增强、直方图均衡化）、尺寸调整、去噪等操作。还可以进行数据增强操作，如翻转、旋转、缩放等，以扩充训练数据集。 4. 数据划分：将数据集划分为训练集、验证集和测试集。通常，大部分数据用于训练模型，一部分用于验证模型的性能和调优，最后用测试集评估模型的泛化能力。确保数据集的划分能够保持数据的分布和类别的平衡。 5. 数据格式转换：将图像和标注数据转换为模型可以接受的格式，如图像矩阵和对应的分割掩码。在准备数据集时，需要注意数据的质量和多样性，以及标注的准确性和一致性。同时，保持数据集的平衡性和足够的规模，可以提高模型的性能和泛化能力。