| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 现有方法总结 | 第13-17页 |
| 1.2.1 乳腺肿瘤分割 | 第13-15页 |
| 1.2.2 眼底彩照视网膜渗出分割 | 第15-17页 |
| 1.3 现有工作存在的问题 | 第17页 |
| 1.4 本文主要研究内容与章节安排 | 第17-20页 |
| 1.4.1 本论文主要研究内容 | 第17-18页 |
| 1.4.2 本论文的主要安排 | 第18-20页 |
| 第2章 卷积神经网络 | 第20-31页 |
| 2.1 深度学习简介 | 第20-21页 |
| 2.2 卷积神经网络简介 | 第21-22页 |
| 2.3 卷积神经网络结构 | 第22-28页 |
| 2.3.1 卷积层 | 第23-25页 |
| 2.3.2 池化层 | 第25-26页 |
| 2.3.3 全连接层 | 第26页 |
| 2.3.4 输出层 | 第26-28页 |
| 2.4 卷积神经网络的优点 | 第28页 |
| 2.5 卷积神经网络的训练 | 第28-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 基于卷积神经网络校正的乳腺肿瘤分割框架 | 第31-44页 |
| 3.1 引言 | 第31页 |
| 3.2 水平集的基本理论 | 第31-35页 |
| 3.2.1 曲线演化理论 | 第31-32页 |
| 3.2.2 水平集方法 | 第32-34页 |
| 3.2.3 速度函数定义 | 第34页 |
| 3.2.4 水平集方程的数值计算 | 第34-35页 |
| 3.3 底层分割模型 | 第35-36页 |
| 3.4 高层分割模型 | 第36-39页 |
| 3.4.1 Alexnet网络模型 | 第37-38页 |
| 3.4.2 Alexnet网络训练 | 第38-39页 |
| 3.5 层次化肿瘤分割模型 | 第39-40页 |
| 3.6 实验 | 第40-43页 |
| 3.6.1 实验数据 | 第40页 |
| 3.6.2 实验指标 | 第40-41页 |
| 3.6.3 层次化分割模型性能分析 | 第41页 |
| 3.6.4 现有分割方法对比 | 第41-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第4章 基于级连卷积神经网络的视网膜眼底图像渗出分割 | 第44-55页 |
| 4.1 引言 | 第44-46页 |
| 4.2 眼底图像预处理 | 第46-47页 |
| 4.3 视网膜硬性渗出物分割 | 第47-51页 |
| 4.3.1 分割使用的网络 | 第48-49页 |
| 4.3.2 多标签卷积神经网络 | 第49页 |
| 4.3.3 等级划分网络的训练 | 第49-50页 |
| 4.3.4 难易样本分割模型的训练 | 第50-51页 |
| 4.4 渗出物分割实验 | 第51-54页 |
| 4.4.1 实验数据 | 第51页 |
| 4.4.2 渗出物分割 | 第51-52页 |
| 4.4.3 实验结果展示 | 第52-53页 |
| 4.4.4 实验结果对比 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 结论 | 第55-57页 |
| 5.1 论文总结 | 第55-56页 |
| 5.2 研究展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 攻读硕士学位期间取得的学术成果 | 第63-64页 |
| 致谢 | 第64页 |