Top-hat filter的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

應用 ResNet+U-NET 於視網膜血管圖像分割

為了解決Top-hat filter的問題，作者楊曜任 這樣論述：

現今深度學習已經廣泛的運用在各種領域當中，並且已經是人們日常生活中不可或缺的一部分，例如在工業自動化領域，我們運用深度學習讓工廠減少人力成本支出、在金融方面，我們可以利用過往的數據來預測未來的經濟走勢及趨勢，在醫療方面，可以找出病灶區，來幫助醫生進行診斷，等例子可以發現深度學習的潛力。在當前的臨床醫療診斷中，醫學圖像具有越來越重要的應用價值。常用的醫學圖像有磁共振（Magnetic Resonance Imaging，MRI）、X 光（X-Ray）、電腦斷層攝影(Computer Tomography，CT）。然而傳統的醫學影像處理主要依靠專家的個人經驗，並且人工地對圖像來進行分析以及處理。

然而，這種人工處理方法效率較低，而且分析結果往往受主觀影響較大。此外，近年來醫學圖像數量急劇的增加更是導致傳統以人工處理的方式變得嚴重耗力且耗時。因此，所以迫切需要利用電腦來類比人類的視覺感知機制，讓電腦自動地對於圖像進行分類，以此來方便醫生診斷。如今隨著科學技術以及硬體性能的迅速發展，運用電腦來快速的分析、處理各類醫學圖像來輔助專家進行診斷，已經成為醫學領域的一種重要趨勢，具有重要的研究意義與應用價值。基於電腦視覺的醫學圖像自動分析與處理技術具有其獨特的優勢，如：利用電腦的強大計算能力可獲取快速準確的分析與處理結果，可使醫學影像處理結果不受專家疲勞或資料過多等等影響，利用電腦技術可促進更快的

臨床資訊溝通，以方便為偏遠地區病人提供快速、準確的醫療診斷資訊。有鑑於此，本論文提出一個結合 ResNet 與 U-NET 的深度學習模型的RUNet。在 RUNet 中，使用了 U-NET 做為基本模型架構，並將模型與 ResNet 中的殘差模塊進行結合，以此來提升網路的深度，增強網路提取特徵的能力，而在神經網路當中末端的特徵圖雖然較細緻但範圍較小，而前端的特徵圖雖然範圍大但特徵比較粗糙，因此最好的方法是都讓他們做學習，ii所以這裡使用全尺寸的跳躍連接使模型能更好的利用各層提取的特徵。而在充分結合圖像各層的資訊後，接著在底層時使用不同尺寸的捲積核，提取不同尺度的特徵，再加以結合。而在實驗設計

上，我們使用視網膜之資料集 DRIVE 和 ROSE，並對其進行資料前處理以及資料增強，進一步提升分割效果。實驗結果顯示RUNet 相較於其他網路模型 U-NET、ResUNet、U-NET3+、ResUNet++，在圖像分割的準確度更好。本研究希望透過此模型能夠更精準地分割出血管，同時大幅減少人力的成本。

A Hybrid Method for Vessel Detection in Images of Cardiac Catheterization

為了解決Top-hat filter的問題，作者李晧暐 這樣論述：

冠狀動脈疾病為數年來國內十大死因之一的重大疾病。醫師診斷CAD的方法有多種，其中一種常見方法是使用由X光拍攝的X-Ray Angiogram (XRA)影像做診斷。在使用電腦自動分析XRA影像中血管位置時，會遇到背景擁有複雜的雜訊、低對比度、血管不易與背景分割等問題。本論文提出使用多種影像前處理的方式將血管從複雜背景中凸顯出來，搭配4種Superpixel Segmentation方法切割影像，接著使用基因演算法找出4種Superpixel Segmentation結果最佳的權重並實施權重多數決找出最有可能是血管的像素。