背景：糖尿病性视网膜病（DR）是糖尿病的常见并发症，也是劳动年龄人口视力下降的主要原因。 对其发病机理了解甚少，但可能涉及低度慢性炎症和血管生成。 这项研究的目的是评估2型糖尿病患者中一种炎症（IL-6）和血管生成细胞因子（VEGF-A）的血清水平与DR的存在和严重程度之间的关系。 方法：从2019年1月至2019年6月，我们对84例患者进行了横断面分析研究，其中31例发展为DR，53例未发展为DR。 所有患者均接受了完整的眼科检查，并通过ELISA技术对IL-6和VEGF-A进行了实验室分析。 我们研究了IL-6和VEGF-A与DR，HBA1c的存在和严重程度以及糖尿病持续时间的关系。 结果：DR组与对照组相比，VEGF-A水平有统计学意义的显着升高（390.5 pg / ml与173.1 pg / ml； p = 0.007）。 两组之间的IL-6水平无显着差异（42.8 pg / ml与31.7 pg / ml； p = 0.10）。 同样，这两种细胞因子与黄斑水肿或DR的严重程度之间没有关联。 IL-6的水平与糖尿病的平衡有关（p = 0.006），而VEGF-A却没有（p =

血管分割 1.0.0版从光声图像中分割血管结构并进行可靠性评估 网络： ：//math.tut.fi/inversegroup/出版物：P.Raumonen和T.Tarvainen（2018）：“通过光声图像对血管结构进行分割并进行可靠性评估”，已提交给Biomedical Optics Express 。 血管分割是用Matlab编写的。 主要功能是vessel_segmentation.m ，它包含一个数字3D数组（光声图像）和一个可选的结构数组，用于指定所需的输入参数，可以使用脚本define_inputs.m对其进行定义。 有关更多详细信息，请参阅特定功能的帮助文档。

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。

图像修复matlab代码Path_planning_for_FEVAR 通过可变形配准腹主动脉瘤的3D路径规划，进行机器人辅助的开窗血管内修复 要求 版本：Matlab R2016a至R2017a 平台：Windows，Linux 脚本'demo_2D3Dregist.m'： 这演示了如何从2D术中分割的动脉瘤形状和3D术前骨骼恢复机器人路径的3D骨骼，它将导入术前透视的2D jpg图像，2D分割标签和3D骨骼。 它将显示2D / 3D骨骼，术中（地面真实）骨骼，术前骨骼和我们的预测的注册时间成本，以及在2D和3D中评估的距离误差。 文件夹“功能”： 它包括为在2D和3D骨架之间进行可变形配准而编写的所有代码。 请仔细阅读每个文件中的许可证。 对于使用此文件夹中代码的任何学术出版物，请引用： 郑JQ，周XY，C。Riga和GZ Yang，“机器人辅助有条件的血管内主动脉修复的单一2D荧光镜图像的3D路径规划”，IEEE国际机器人与自动化会议（ICRA），2019年。 文件夹“数据”： 它包括演示中使用的导入数据。 文件夹“外部”： 它包括演示中使用的重新分配的代码。 请仔细阅读每个文件

isodata的matlab代码博客reitna-segmentation 视网膜图像分割提取血管复杂结构 详情见： 用法：运行 mainDemo.m 步骤 1：从文件夹“retina_images\1.tif”读取 matlab 工作区中的视网膜图像。 步骤 2：将分割算法应用于输入的视网膜图像。 ISODATA算法用于从视网膜图像中分割血管。 使用迭代 isodata 方法的 ISODATA 计算全局图像阈值。 LEVEL = ISODATA(I) 计算可用于将强度图像转换为具有 IM2BW 的二值图像的全局阈值 (LEVEL)。 LEVEL 是一个归一化的强度值，位于 [0, 1] 范围内。 这种选择阈值的迭代技术是由 Ridler 和 Calvard 开发的。 视网膜分割图像： 步骤 3：加载真实图像（label_images/1.tif）以比较分割算法的结果。 现在我们有两个图像。 即一个是ground truth，另一个是分割结果。 为了比较算法的性能，我们计算了“真视网膜”和“假视网膜”以及“真背景”和“假背景”。 以下代码部分显示了上述参数的计算 number_of_p

研制了一套探头末端直径为1 mm的血管内扫频光学相干层析成像（IV-OCT）系统。为了确保探头内格林透镜的中轴线与安装在微型电机轴上的直角棱镜的中轴线对准，制作了尺寸匹配的塑料套管；将格林透镜插入塑料套管后与微型电机一同安装于聚四氟乙烯（PTFE）管中，制成了末端直径为1 mm的探头。对光源自带的k-clock信号进行硬件滤波以去除其中的直流分量和谐波分量，提高了系统分辨率。对等波数域间隔重采样后的干涉光谱数据进行加窗、快速傅里叶变换(FFT)、取对数、背景去除后，将得到的多个轴向扫描(A-scan)数据进行坐标变换、重建，从而得到圆环显示的样品图像。实测系统纵向分辨率为11.8 μm，横向分辨率为24 μm，成像帧速为30 frame/s。利用研制的IV-OCT系统，实现了管状白胶带、小葱葱管、藕、离体鸭血管样品的OCT成像。

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

多帧DICOM医疗图像，能够用来测试一些简单的医疗影像实验。

根据眼底荧光血管造影图像的特点，分别利用阈值分割法与BP神经网络算法对眼底造影血管图像及眼底病变区域图像进行分割与对比，使临床医生可以得到病变面积的较精确的测量数据，观察到更细微的血管变化，为与此相关的心、脑血管系统和糖尿病的诊治提供重要依据。

医学影像作业 基于医学影像配准+DUNet实现的视网膜血管检测_眼底血管分割源码+数据集+实验报告.zip 图像配准 眼底血管分割实验 详细操作说明 实验报告 【实验思路】 1.图像预处理： 单通道化RGB2Gray 归一化 对比度限制自适应直方图均衡化 伽马校正 2.图像分割成小块patch 3.torch写网络 Unet  - Unet++  4.训练与测试，计算每个小patch的train_loss和dice_score 5.合并图像 6.计算整体测度 【实验结果】 CHASE数据集用cuda训练batchsize为2，网络采用UNet++，轮数epoch=5，测试集结果：avarage Dice: **78.03%**, avarage Accuracy: **96.91%** DRIVE数据集用cpu训练batchsize为8，网络采用UNet，轮数epoch=5，测试集结