| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-17页 |
| 1.1 课题背景 | 第13-15页 |
| 1.2 研究目的和本文主要工作 | 第15-16页 |
| 1.3 论文组织结构 | 第16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 国内外研究现状与相关技术 | 第17-30页 |
| 2.1 基于传统特征的图像分类 | 第17-20页 |
| 2.1.1 SIFT特征 | 第18-19页 |
| 2.1.2 词袋模型 | 第19-20页 |
| 2.2 基于卷积神经网络的图像分类 | 第20-24页 |
| 2.2.1 卷积神经网络模型的发展 | 第20-22页 |
| 2.2.2 细粒度图像分类 | 第22-24页 |
| 2.3 医学图像分析的现状 | 第24-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 细粒度的角膜炎图像分类 | 第30-49页 |
| 3.1 卷积神经网络 | 第30-32页 |
| 3.1.1 卷积层 | 第31页 |
| 3.1.2 池化层 | 第31-32页 |
| 3.1.3 激活函数 | 第32页 |
| 3.2 基于Image-level的图像分类模型 | 第32-36页 |
| 3.2.1 ResNeXt模型 | 第32-34页 |
| 3.2.2 焦点损失(Focal Loss) | 第34-36页 |
| 3.2.3 整体模型结构 | 第36页 |
| 3.3 基于Patch-level的图像分类模型 | 第36-46页 |
| 3.3.1 Patch的生成 | 第36-41页 |
| 3.3.2 Patch的选择 | 第41-44页 |
| 3.3.3 整体模型结构 | 第44-46页 |
| 3.4 基于三元组排序的图像分类模型 | 第46-48页 |
| 3.4.1 Triplets loss | 第46-47页 |
| 3.4.2 整体模型结构 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 实验设计与结果分析 | 第49-61页 |
| 4.1 实验数据 | 第49-53页 |
| 4.1.1 原始数据 | 第49-50页 |
| 4.1.2 预处理 | 第50-53页 |
| 4.2 实验环境 | 第53页 |
| 4.3 评价指标 | 第53-54页 |
| 4.4 模型的训练 | 第54-55页 |
| 4.4.1 基于Image-level的模型训练 | 第54页 |
| 4.4.2 基于Patch-level的模型训练 | 第54页 |
| 4.4.3 基于三元组排序的模型训练 | 第54-55页 |
| 4.5 实验结果与分析 | 第55-60页 |
| 4.5.1 基于Image-level的实验与分析 | 第55-56页 |
| 4.5.2 基于Patch-level的实验与分析 | 第56-60页 |
| 4.5.3 基于三元组排序的实验与分析 | 第60页 |
| 4.6 本章小结 | 第60-61页 |
| 第5章 相关算法的应用 | 第61-64页 |
| 5.1 角膜炎数据标注工具 | 第61-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 全文总结 | 第64-65页 |
| 6.2 未来研究方向 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间主要的研究成果 | 第71-72页 |
| 致谢 | 第72页 |