首页--医药、卫生论文--眼科学论文--眼压与青光眼论文

基于深度学习的青光眼杯盘检测技术研究

摘要第6-7页
Abstract第7-8页
1 绪论第12-16页
    1.1 研究背景第12-13页
        1.1.1 国内研究现状第12-13页
        1.1.2 国外研究现状第13页
    1.2 研究目标第13-14页
    1.3 研究意义第14页
    1.4 论文组织结构第14-15页
    1.5 本章小结第15-16页
2 相关技术综述第16-22页
    2.1 数据增强技术第16-18页
        2.1.1 视盘定位第16-18页
        2.1.2 数据增强第18页
    2.2 分割技术第18-21页
        2.2.1 形状匹配方法第18-19页
        2.2.2 主动轮廓与变形方法第19页
        2.2.3 基于深度学习的图像分割第19-21页
    2.3 本章小结第21-22页
3 眼底图数据增强第22-28页
    3.1 研究背景第22-23页
    3.2 视盘定位第23-25页
        3.2.1 方法描述第23-24页
        3.2.2 定位结果第24-25页
    3.3 数据集增强第25-27页
        3.3.1 方法描述第25-26页
        3.3.2 结果分析第26-27页
    3.4 本章小结第27-28页
4 一种改进的杯盘分割网络LightU-Net第28-38页
    4.1 研究背景第28页
    4.2 LightU-Net网络设计第28-31页
    4.3 实验设计第31-34页
        4.3.1 实验环境第31页
        4.3.2 实验数据第31页
        4.3.3 实验流程与方法第31-32页
        4.3.4 评价方法第32-34页
    4.4 实验与结果分析第34-37页
        4.4.1 LightU-Net分割结果第34-35页
        4.4.2 LightU-Net模型评价第35-37页
    4.5 本章小结第37-38页
5 一种基于生成对抗的杯盘分割方法LightU-GANs第38-56页
    5.1 研究背景第38页
    5.2 LightU-GANs网络设计第38-43页
        5.2.1 LightU-Net生成器第39页
        5.2.2 判别器第39-40页
        5.2.3 对抗过程设计第40-43页
    5.3 实验设计第43-44页
        5.3.1 实验环境第43页
        5.3.2 实验数据第43页
        5.3.3 实验流程与方法第43-44页
        5.3.4 评价方法第44页
    5.4 实验与结果分析第44-54页
        5.4.1 LightU-GANs与LightU-Net第45-47页
        5.4.2 LightU-GANs与U-GANs第47-49页
        5.4.3 彩色通道图像与绿色通道图像第49-51页
        5.4.4 最优模型选择第51-53页
        5.4.5 杯盘比计算第53-54页
    5.5 本章小结第54-56页
6 总结与展望第56-57页
参考文献第57-61页
致谢第61-62页
攻读硕士学位期间取得的研究成果第62-63页
学位论文数据集表第63-64页

论文共64页,点击 下载论文
上一篇:基于机器学习的肝硬化疾病预测研究
下一篇:基于机器学习算法的视频人数统计方法研究