这个脚本版权归泰勒l . Coye (2015)。医学博士研究生,天普大学。这种方法已经被下载超过6000次自成立以来。

对于那些问我以前发表的这个算法,答案是,我没有因为医学院的时间限制。然而,使用这种方法的论文大量研究证明了它的价值。我愿意与人合写这个算法与某人如果他们愿意提交时间。

这个算法的结果是许多小时的工作和解决问题。如果你在工作中使用该算法,请复制以下引用:
* * * * *
Coye,泰勒(2015)。小说对眼底视网膜血管分割算法图像(//www.tatmou.com/matlabcentral/fileexchange/50839),MATLAB中央文件交换。月和日检索,检索(年)。
* * * * *
这个脚本片段在眼底视网膜血管图像,这是一个需要克服的困难。
. zip文件中包含的主要文件,标注“CoyeFilter。m”以及覆盖算法和Isodata算法。“CoyeFilter。“利用叠加和isodata方法。
. zip是一组样本的眼底图像测试脚本。

而不是使用绿色通道,因为许多报纸通常做了过去,我转换RGB灰色使用PCA通过我在算法开发“混合病变检测算法使用主成分分析”。

* * * * * *
引用其他论文使用这种方法见:https://scholar.google.com/scholar?oi=bibs&hl=en&cites=9803621023695796972&as_sdt=5

示例的一些论文,利用该方法对分段血管在视网膜上:

Bandara, a . m . R . R。,and P. W. G. R. M. P. B. Giragama. "A retinal image enhancement technique for blood vessel segmentation algorithm." Industrial and Information Systems (ICIIS), 2017 IEEE International Conference on. IEEE, 2017.

Buglione,约翰。利用康普顿散射x射线成像在农业。我的论文。费城宾夕法尼亚大学,2016年。http://www.jakebuglione.com/thesis.pdf

Furtado、佩德罗等。“眼眼底图像的分割在糖尿病性视网膜病变密度聚类。”Biomedical & Health Informatics (BHI), 2017 IEEE EMBS International Conference on. IEEE, 2017.

顾,林,et al。“Semi-supervised学习面向生物医学图像分割通过森林的超级像素(压)。”International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2017.

谭恩Intaramanee,等。“视神经盘检测通过血管起源使用形态终点。”Advanced Informatics: Concepts, Theory And Application (ICAICTA), 2016 International Conference On. IEEE, 2016.

Saponaro, P。,等。“多孔的三维分割网络宏观真菌菌丝的显微镜图像栈。”arXiv预印本arXiv: 1704.02356 (2017)。

Saranya, M。,and A. Grace Selvarani. "Fundus Image Screening for Diabetic Retinopathy." Indian Journal of Science and Technology 9.25 (2016).

Travassos C。,等。“密度分割在糖尿病性视网膜病变的检测。”(2017).

* * * * * *

分割算法的脚本如下:

% %计算机辅助视网膜血管分割算法
%开发和版权归泰勒l . Coye (2015)
%
%读取图像
我= imread (13 _right.jpeg)

%调整图像更容易计算
B = imresize(我,565年[584])

%读取图像
我= im2double (B);

%通过PCA RGB转换为灰色
实验室= rgb2lab (im);
f = 0;
wlab =重塑(bsxfun (@times猫(3、行进、f / 2, f / 2),实验室),[],3);
[C, S] = pca (wlab);
S =重塑(年代,大小(实验室));
S = S (:: 1);
灰色= (S-min (S (:)))。/ (max (S(:))最小值(S (:)));

使用CLAHE % %对比度的灰度图像
J = adapthisteq(灰色,“numTiles”, [8], ' nBins ', 128);

% %背景排除
%应用平均滤波器

h = fspecial(“平均”,[9]9);
摩根富林明= imfilter (J, h);
图中,imshow(摩根富林明)

%将灰度图像之间的差异,平均滤波器
Z = imsubtract(摩根富林明,J);
图中,imshow (Z)

% %阈值使用IsoData方法
水平= isodata (Z) %这是我们的阈值水平

% %转换为二进制
BW = im2bw (Z,级别-.008)

% %去除小的像素
BW2 = bwareaopen (BW, 100)

% %覆盖
BW2 = imcomplement (BW2)
= imoverlay (B BW2 [0 0 0])
图,imshow ()