matlab代码影响视网膜血管病变 视网膜血管检查在糖尿病的诊断中起着重要的作用，在西方国家，糖尿病是导致失明的主要原因。 该检查采用光学诊断方法，通过获取眼球的数字图像而不会侵犯或伤害人体。 剩下的任务是将视网膜血管与数字图像分开。 即使对于训练有素的专家来说，这都是耗时且充满挑战的。 引入了机器学习方法以使分离过程自动化，从而提高检查过程的效率。 在本报告中，我们结合了图像处理和机器学习方法探索了视网膜血管分离过程。 图像预处理用于减少原始眼球图像中的噪点。 机器学习算法用于构造分类器，该分类器利用专家的手绘视网膜血管作为训练标签，以有效地将血管与背景分离。 实现了K最近邻（K-NN）和支持向量机（SVM），并使用改进的K-NN方法来改善结果。 使用K-NN方法中距离的不同定义来发现眼球图像不同特征的重要性。 通过将算法分类的标签与专家的手绘图像进行比较，可以估算出误差。 K-NN是通过使用在课堂上学到的知识而自编码的Matlab程序，并且SVM在理论层面上得到了理解，并通过PyML（基于python的机器学习包）来实现。 两种方法的错误率均为6％左右。 与SVM相比，K-NN产生

【SVM分类】基于自适应蚁狮算法优化SVM分类器实现胃肠道病变附matlab代码

[基于MATLAB]植物叶片虫害检测系统（方法svm，颜色，可以识别具体是什么虫子等，带界面GUI和文稿万字）.zip

对不同类型的皮肤癌进行分类 有任何疑问请联系 - josemebin@gmail.com

糖尿病性视网膜病变图像数据集，总图像= 2750张、正常(非DR) = 1000张、轻度DR = 370张、中等DR = 900张、增生性DR = 290张 糖尿病性视网膜病变图像数据集，总图像= 2750张、正常(非DR) = 1000张、轻度DR = 370张、中等DR = 900张、增生性DR = 290张

图像显着性检测算法matlab代码mDRFI _ Matlab 皮肤镜图像中的显着性检测 皮肤镜图像中的显着性检测，如本文所述：M. Jahanifar等人（“皮肤镜图像中病变的受监督的显着性图驱动分割”）（arXiv ：） **这是用于在皮肤镜图像中进行病变分割的算法的一部分，在“ ISIC2017：针对黑色素瘤检测的皮肤病变分析-第1部分：分割”中排名第七。 可以在上述论文中获得对分割方法的完整说明** mDRFI是用于显着性检测的DRFI模型的修改版本，在论文“论文显着物体检测：具有区别性的区域特征集成方法”（arXiv ：）中进行了描述。 我们为显着性特征添加了一些新的区域属性描述符，以便更好地检测皮肤镜图像中的病变。 另外，提出了新的伪背景区域以提高显着性检测。 此实现包含显着性检测方法（mDRFI）的全部pipiline，包括培训和测试阶段。 代码中还实现了颜色恒定性校正。 首先，运行compile.m来编译mex文件（您需要c ++编译器，例如Windows上的Microsoft Visual Studio才能执行此操作）。 如果您想训练自己的随机森林回归器，请查看tra

糖尿病性视网膜病变 一种基于人眼图像的系统，使用图像处理和机器学习方法对糖尿病性视网膜病进行分类。 这是Kaggle竞争的解决方案。 可以在找到具有完整方法描述的论文。 图像处理 形态学图像处理方法用于提取特征性疾病的特征，例如渗出液和红色病变。 机器学习 XGBoost库用于将疾病分为五类。

Lung Phantom Dataset 是肺部病变数据集，其基于美国食品和药品管理局制作的胸部模型，分别制作了 12 个不同大小的病变阴影（有效直径 10 和 20mm）、形状（球形、椭圆形、分叶状和毛刺状）和密度（-630、-10 和 +100 HU），并用哥伦比亚大学-医学中心的扫描仪进行扫描和记录。其中 CT 的扫描参数为 120 kVp、100 mAs、准直 64*0.625、间距 1.375mm，并使用 1.25mm 厚度切片作为肺核重建图像。 Lung Phantom Dataset 由癌症影像档案 TCIA 于 2015 年发布，相关论文有《Data From Lung_Phantom:The Cancer Imaging Archive》。

基于深度学习马铃薯病变叶片识别.zip

目的:探讨艾滋病患者脑部病变的临床和CT表现特点,提高对其诊断与鉴别诊断的水平。方法:回顾性分析72例艾滋病患者脑部病变的临床和影像学资料,所有病例均行颅脑CT平扫,其中12例同时行增强扫描。比较不同脑部病变的CT阳性率、CT征象,同时将不同脑部病变的死亡率进行分组比较。结果:72例艾滋病患者中,39例CT检查有异常表现的不同病种,CT出现异常改变的发生率有所不同(P =0.03)。CT表现包括低密度灶、占位效应、脑室扩大、脑室积水、病灶环状强化、脑膜强化及脑萎缩等改变,艾滋病患者晚期的死亡率较高。结论: