| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-14页 |
| 1.1 SD-OCT图像中的青光眼病变 | 第7-10页 |
| 1.1.1 SD-OCT成像及优势 | 第7-8页 |
| 1.1.2 青光眼病变的临床表现 | 第8-10页 |
| 1.2 视神经头区域研究现状 | 第10-11页 |
| 1.3 本课题的意义 | 第11-12页 |
| 1.4 文章结构安排 | 第12-14页 |
| 2 基于图像拉平方法的RPE断点初步检测 | 第14-26页 |
| 2.1 算法理论基础 | 第15-20页 |
| 2.1.1 双边滤波去噪 | 第15-16页 |
| 2.1.2 图像阈值分割 | 第16-19页 |
| 2.1.3 二值形态学运算 | 第19-20页 |
| 2.2 用图像拉平方法检测断点的算法概述 | 第20-24页 |
| 2.2.1 内界膜(ILM)及视网膜色素上皮层(RPE)分割 | 第20-21页 |
| 2.2.2 断点检测及纠正 | 第21-24页 |
| 2.3 断点检测结果及误差分析 | 第24-26页 |
| 2.3.1 实验结果及定性分析 | 第24-25页 |
| 2.3.2 误差定量分析 | 第25-26页 |
| 3 基于分类方法的RPE断点精确检测 | 第26-51页 |
| 3.1 核心算法理论基础 | 第26-38页 |
| 3.1.1 Hough变换 | 第26-28页 |
| 3.1.2 主成分分析PCA | 第28-30页 |
| 3.1.3 LBP特征与HOG特征 | 第30-33页 |
| 3.1.4 极限学习机ELM | 第33-34页 |
| 3.1.5 SVM分类器 | 第34-38页 |
| 3.2 训练分类器 | 第38-40页 |
| 3.2.1 样本确定 | 第38页 |
| 3.2.2 特征选择 | 第38-40页 |
| 3.2.3 获取分类模型 | 第40页 |
| 3.3 分类识别断点 | 第40-44页 |
| 3.3.1 限制断点搜索区域 | 第40-42页 |
| 3.3.2 识别断点 | 第42-43页 |
| 3.3.3 断点纠正 | 第43-44页 |
| 3.4 断点检测结果及误差分析 | 第44-51页 |
| 3.4.1 实验环境及参数选择 | 第44页 |
| 3.4.2 实验结果定性分析 | 第44-47页 |
| 3.4.3 实验结果定量分析 | 第47-49页 |
| 3.4.4 关于断点检测误差来源的一般性讨论 | 第49-51页 |
| 4 青光眼的诊断标准与杯盘比评估 | 第51-60页 |
| 4.1 青光眼的检测指标与衡量标准 | 第51-53页 |
| 4.2 杯盘比评估 | 第53-58页 |
| 4.2.1 杯盘比的相关定义 | 第53-54页 |
| 4.2.2 杯盘比的评估意义 | 第54-55页 |
| 4.2.3 杯盘比计算及实验结果 | 第55-58页 |
| 4.3 本章小结 | 第58-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 文章总结 | 第60页 |
| 5.2 未来工作的展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 附录 | 第69页 |