基于AS-OCT图像的角膜边界分割与伤口分析
| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第10-18页 |
| 1.1 角膜疾病影像分析的研究背景 | 第10-14页 |
| 1.1.1 角膜结构与角膜疾病 | 第10-11页 |
| 1.1.2 AS-OCT角膜成像技术 | 第11-13页 |
| 1.1.3 医学图像处理与分析简介 | 第13-14页 |
| 1.2 角膜疾病影像分析的国内外研究现状 | 第14-15页 |
| 1.3 本文的研究内容和意义 | 第15-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第二章 角膜边界分割 | 第18-29页 |
| 2.1 坎尼边缘检测算法简介 | 第18-19页 |
| 2.1.1 高斯滤波器与图像梯度计算 | 第18-19页 |
| 2.1.2 非极大值抑制 | 第19页 |
| 2.1.3 双阈值操作边缘连接 | 第19页 |
| 2.2 基于坎尼算法的角膜边缘检测 | 第19-22页 |
| 2.2.1 图像预处理 | 第19-20页 |
| 2.2.2 角膜边缘检测 | 第20-21页 |
| 2.2.3 边缘检测校正 | 第21-22页 |
| 2.3 卷积神经网络简介 | 第22-23页 |
| 2.4 基于卷积神经网络的图像分割 | 第23-24页 |
| 2.5 基于Mini-Unet的角膜图像分割 | 第24-28页 |
| 2.5.1 噪声图像数据扩充 | 第24-25页 |
| 2.5.2 角膜边界分割 | 第25-27页 |
| 2.5.3 角膜上下边界提取 | 第27-28页 |
| 2.5.4 与坎尼边缘检测算法的比较 | 第28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 角膜伤口检测与分析 | 第29-41页 |
| 3.1 随机森林分类器简介 | 第29-31页 |
| 3.1.1 决策树的工作方式 | 第29-30页 |
| 3.1.2 随机森林的工作原理 | 第30-31页 |
| 3.2 基于随机森林的角膜伤口检测 | 第31-35页 |
| 3.2.1 基于角膜图像块的特征提取 | 第31-34页 |
| 3.2.2 角膜伤口检测 | 第34-35页 |
| 3.3 分类器伤口检测结果校正 | 第35-38页 |
| 3.3.1 K-Means聚类算法简介 | 第36-37页 |
| 3.3.2 角膜伤口检测后处理 | 第37-38页 |
| 3.4 角膜伤口恢复分析 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 实验结果与分析 | 第41-52页 |
| 4.1 角膜图像数据集说明 | 第41页 |
| 4.2 角膜边界分割结果的评价 | 第41-45页 |
| 4.2.1 坎尼算法角膜边缘检测的评价 | 第41-42页 |
| 4.2.2 Mini-Unet角膜边界分割的评价 | 第42-45页 |
| 4.3 角膜伤口检测结果的评价 | 第45-50页 |
| 4.4 角膜伤口恢复指标的验证 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 总结和展望 | 第52-55页 |
| 5.1 总结 | 第52-53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 攻读学位期间公开发表的论文、专利 | 第60-61页 |
| 致谢 | 第61页 |
