| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究的背景与意义 | 第10-11页 |
| 1.2 国内外研究历史与现状 | 第11-14页 |
| 1.2.1 视网膜血管分割研究现状 | 第11-12页 |
| 1.2.2 基于深度学习的图像检索研究现状 | 第12-13页 |
| 1.2.3 糖尿病视网膜病变的研究现状 | 第13-14页 |
| 1.3 本文的主要工作 | 第14-15页 |
| 1.4 本论文的结构安排 | 第15-16页 |
| 第二章 深度学习相关技术理论 | 第16-28页 |
| 2.1 自编码器 | 第16-17页 |
| 2.2 卷积神经网络概述 | 第17-25页 |
| 2.2.1 人工神经元 | 第18页 |
| 2.2.2 卷积层 | 第18-19页 |
| 2.2.3 池化层 | 第19-20页 |
| 2.2.4 全连接层 | 第20-21页 |
| 2.2.5 激活函数 | 第21-23页 |
| 2.2.6 多分类 | 第23-25页 |
| 2.3 训练方法及开源工具 | 第25-27页 |
| 2.3.1 训练方法 | 第25页 |
| 2.3.2 开源工具 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于眼底图像的医学图像预处理 | 第28-43页 |
| 3.1 视网膜眼底图像数据集 | 第28-41页 |
| 3.1.1 数据集配准 | 第29-30页 |
| 3.1.2 血管分割 | 第30-41页 |
| 3.2 本章小结 | 第41-43页 |
| 第四章 基于描述子融合网络的糖尿病视网膜病变分类 | 第43-55页 |
| 4.1 经典的卷积神经网络研究 | 第43-46页 |
| 4.1.1 VGG-Net | 第43-45页 |
| 4.1.2 ResNet | 第45-46页 |
| 4.2 基于描述子融合的卷积神经网络模型设计 | 第46-50页 |
| 4.3 模型训练 | 第50-54页 |
| 4.3.1 数据集准备 | 第51页 |
| 4.3.2 基于迁移学习的训练方法 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 实验结果与分析 | 第55-65页 |
| 5.1 实验环境准备 | 第55-56页 |
| 5.2 实验结果评价方法 | 第56-58页 |
| 5.3 实验结果分析 | 第58-63页 |
| 5.3.1 采用血管分割算法提取的特征分类效果 | 第58-60页 |
| 5.3.2 描述子融合网络特征优化效果 | 第60-62页 |
| 5.3.3 Kaggle竞赛开源提供Top10方法 | 第62-63页 |
| 5.4 本章小结 | 第63-65页 |
| 第六章 全文总结与展望 | 第65-67页 |
| 6.1 全文总结 | 第65-66页 |
| 6.2 工作展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |