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 |