u-net经典神经网络模型代码，适用于医学图像分割领域，可以根据此代码搭建

用于视网膜的分割，亲测运行过没有问题。 DRIVE数据集的训练集和验证集‘1st_manual’ 并未被官方提供，但我提供了分为training.zip和test.zip。 CHASE DB1 的训练集和验证集也提供了chase_db1.zip HRF数据集:下载 healthy.zip glaucoma.zip, diabetic_retinopathy.zip, healthy_manualsegm.zip, glaucoma_manualsegm.zip 以及 diabetic_retinopathy_manualsegm.zip 。 在mmsegmentation这个架构里面可以直接运行，mmsegmentation架构不会使用的在浏览器搜索教程 使用时记得转换格式，首先创建data 如python tools/convert_datasets/drive.py data/training.zip data/test.zip python tools/convert_datasets/chase_db1.py data/CHASEDB1.zip

摘 要 医学图像分割方法与理论众多，文中简要介绍了基于边界阈值区域增长统计学图论活动轮廓信息 论模糊集理论神经网络的医学图像分割方法，这些方法各有优劣，部分已成为临床基本的图像分割技术 近年来许多 学者对经典的分割方法进行改良，通过多种分割方法结合，有效提高了分割的效率，或改进算法弥补原有分割方法缺陷 随着计算机计算性能的提高，各种新的算法将不断涌现 关键词 医学影像; 图像分割; 神经网络

人工智能-项目实践-图像识别-用3DVnet开发的医学图像分割

密集连接的3D CNN的分层MRI肿瘤分割 通过乐乐陈乐伍， ，阿纳斯Z.阿比丁， ，。 罗切斯特大学。 目录 介绍 该存储库包含论文“具有密集连接的3D CNN的分级MRI肿瘤分割”（ ）中描述的原始模型（dense24，densed48，no-dense）。 此代码可以直接在。 引文 如果您在研究中使用这些模型或想法，请引用： @inproceedings{DBLP:conf/miip/ChenWDAWX18, author = {Lele Chen and Yue Wu and Adora M. DSouza and Anas Z. Abidin and Axel Wism{\"{u}}ller and Chenliang Xu}, title = {{MRI} tumor

用于医学图像分割的损失函数的集合@article {LossOdyssey，标题= {医学图像分割中的Loss Odyssey}，期刊= {医学图像分析}，体积= {71}，页= {102035}，图像分割的损失函数，年= {2021}，作者= {马俊（Jun Ma）和陈建南（Jianan）和黄宏伟（Matthew Ng）和黄瑞（Rui Li）和李立（Chen Li）和杨小平（Yiaoping Yang）和安妮·L（Anne L.Martel）} doi = {https://doi.org/10.1016/j。 media.2021.102035}，网址= {https://www.sciencedirect.com/science/article/pii/S1361841521000815}}带回家的消息：复合损失函数

文献：Uncertainty-aware Self-ensembling Model for Semi-supervised 3D Left Atrium Segmentation（半监督方法：不确定性感知自增强模型） 原文：https://arxiv.org/abs/1907.07034 代码：https://github.com/yulequan/UA-MT

本书基本是ITK指导手册的中文翻译，详细目录请去相关网站查询

针对医学图像中由于偏移场的存在而导致图像灰度不均匀的问题，提出了一种基于局部区域信息的医学图像分割及偏移场矫正方法，以矫正偏移场使图像变为灰度均匀。该方法利用图像局部区域信息，通过拟合图像和原始图像构造能量函数，采用变分水平集方法进行求解。实验结果表明，该方法能够有效地实现医学图像分割及偏移场矫正，与其他分割及偏移场矫正方法相比，该方法具有较高的分割及偏移场矫正的精度和效率。

主要内容：分割概念、分割方法的分类、阈值分割、区域生长分割、交互式分割、Live wire分割、形变模型的分割、模糊连接度的分割、基于代理机模型的分割