| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要研究内容及贡献 | 第12-13页 |
| 1.4 论文整体结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 白内障自动分类的相关技术 | 第15-25页 |
| 2.1 眼底图像的相关知识 | 第15-17页 |
| 2.1.1 人眼的结构 | 第15-16页 |
| 2.1.2 白内障的病因及分类 | 第16-17页 |
| 2.1.3 眼底图像的获取 | 第17页 |
| 2.2 深度卷积神经网络 | 第17-21页 |
| 2.2.1 神经元 | 第17-18页 |
| 2.2.2 深度卷积神经网络的结构 | 第18-19页 |
| 2.2.3 卷积神经网络的训练 | 第19-20页 |
| 2.2.4 减少过拟合的方法 | 第20-21页 |
| 2.3 深度反卷积神经网络 | 第21-23页 |
| 2.3.1 反池化 | 第21-22页 |
| 2.3.2 反激活 | 第22页 |
| 2.3.3 反卷积 | 第22-23页 |
| 2.4 模型评估标准 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于全局特征的白内障CNN分类模型 | 第25-35页 |
| 3.1 数据集及预处理方法 | 第25-26页 |
| 3.1.1 数据集 | 第25页 |
| 3.1.2 去隐私处理 | 第25-26页 |
| 3.1.3 消除眼底图像中不均匀色彩的影响 | 第26页 |
| 3.2 基于深度CNN构建白内障自动分类器 | 第26-29页 |
| 3.3 实验设计及结果验证 | 第29-32页 |
| 3.3.1 实验环境 | 第29页 |
| 3.3.2 验证G-filter在消除眼底图像中不均匀色彩的作用 | 第29-30页 |
| 3.3.3 探究数据集的图片数量对深度学习分类器性能的影响 | 第30-32页 |
| 3.3.4 基于全局特征的CNN分类器性能验证 | 第32页 |
| 3.4 本章小结 | 第32-35页 |
| 第4章 白内障全局特征集的可解释性分析 | 第35-45页 |
| 4.1 总体架构 | 第35-36页 |
| 4.2 反卷积神经网络方法 | 第36-37页 |
| 4.3 可视化CNN如何描述白内障的严重程度 | 第37-42页 |
| 4.3.1 可视化分析基于深度CNN的白内障各层特征 | 第37-41页 |
| 4.3.2 可视化分析结果及讨论 | 第41-42页 |
| 4.4 基于全局特征的CNN分类模型的失败分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 基于混合特征提取模型的白内障自动分类模型 | 第45-51页 |
| 5.1 构建基于局部特征的CNN分类模型 | 第45-48页 |
| 5.1.1 构建变体数据集 | 第45-46页 |
| 5.1.2 构造基于变体数据集的分类器 | 第46-47页 |
| 5.1.3 结果及讨论 | 第47-48页 |
| 5.2 全局和局部分类模型的集成方法 | 第48-49页 |
| 5.3 实验结果及分析 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 本文总结 | 第51-52页 |
| 工作展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间取得的研究成果 | 第57-59页 |
| 致谢 | 第59页 |
