| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第12-25页 |
| 1.1 SD-OCT成像技术 | 第13-15页 |
| 1.2 SD-OCT视网膜组织层结构 | 第15-16页 |
| 1.3 SD-OCT视网膜图像分析 | 第16-21页 |
| 1.3.1 SD-OCT视网膜图像复原 | 第17页 |
| 1.3.2 SD-OCT图像的视网膜分析 | 第17-21页 |
| 1.3.3 AMD病变演化预测模型研究 | 第21页 |
| 1.4 研究目标与主要贡献 | 第21-23页 |
| 1.5 本文的组织结构 | 第23-25页 |
| 2 SD-OCT视网膜图像的层分割算法研究 | 第25-46页 |
| 2.1 引言 | 第25-26页 |
| 2.1.1 视网膜层分割的研究动机 | 第25-26页 |
| 2.1.2 解决方法概要 | 第26页 |
| 2.2 视网膜层分割研究现状概述 | 第26-28页 |
| 2.3 基于对偶梯度和空间约束信息的视网膜层分割方法 | 第28-31页 |
| 2.3.1 图像预处理 | 第28页 |
| 2.3.2 边缘流检测 | 第28-29页 |
| 2.3.3 ILM边界面检测 | 第29页 |
| 2.3.4 RPE层分割 | 第29-30页 |
| 2.3.5 INL到IS边界检测 | 第30-31页 |
| 2.3.6 检测Fovea区域及修正INL-OPL边界 | 第31页 |
| 2.4 应用多尺度三维图搜索的视网膜层分割方法 | 第31-39页 |
| 2.4.1 三维图搜索算法框架 | 第31-32页 |
| 2.4.2 三维图结构的构建 | 第32-34页 |
| 2.4.3 三维图结构顶点权重设计 | 第34-35页 |
| 2.4.4 算法实现与求解 | 第35-37页 |
| 2.4.5 多尺度的三维图搜索方法 | 第37-39页 |
| 2.5 实验结果及分析 | 第39-45页 |
| 2.5.1 定量评价准则 | 第39-40页 |
| 2.5.2 正常眼睛的视网膜层分割结果分析 | 第40-42页 |
| 2.5.3 病变图像的视网膜层分割结果分析 | 第42-44页 |
| 2.5.4 算法性能分析 | 第44-45页 |
| 2.6 小结与讨论 | 第45-46页 |
| 3 SD-OCT视网膜图像的黄斑中央凹定位分析研究 | 第46-63页 |
| 3.1 引言 | 第46-47页 |
| 3.1.1 黄斑中央凹相关知识 | 第46页 |
| 3.1.2 研究动机 | 第46-47页 |
| 3.1.3 解决方法概要 | 第47页 |
| 3.2 相关工作 | 第47-48页 |
| 3.3 基于SD-OCT视网膜厚度显著性的黄斑中央凹定位算法 | 第48-52页 |
| 3.3.1 显著图检测 | 第48-52页 |
| 3.3.2 黄斑中央凹定位 | 第52页 |
| 3.4 实验结果及分析 | 第52-61页 |
| 3.4.1 实验数据及评价准则 | 第52-53页 |
| 3.4.2 参数分析 | 第53-54页 |
| 3.4.3 定性分析 | 第54-56页 |
| 3.4.4 定量评价 | 第56-61页 |
| 3.4.5 黄斑中央凹研究分析 | 第61页 |
| 3.5 小结与展望 | 第61-63页 |
| 4 SD-OCT视网膜图像的GA分割与量化分析研究 | 第63-83页 |
| 4.1 引言 | 第63-65页 |
| 4.1.1 GA病变相关背景 | 第63-64页 |
| 4.1.2 研究动机 | 第64-65页 |
| 4.1.3 解决方法概要 | 第65页 |
| 4.2 GA量化分析研究现状 | 第65-67页 |
| 4.3 基于改进区域活动轮廓的GA分割模型 | 第67-74页 |
| 4.3.1 GA眼底OCT图像 | 第67页 |
| 4.3.2 迭代阈值GA分割 | 第67-69页 |
| 4.3.3 提取GA候选区域 | 第69-70页 |
| 4.3.4 后续处理 | 第70页 |
| 4.3.5 局部相似性因子分析 | 第70-71页 |
| 4.3.6 基于改进区域活动轮廓模型的GA识别 | 第71-74页 |
| 4.4 实验结果与分析 | 第74-81页 |
| 4.4.1 实验数据及评价标准 | 第74-75页 |
| 4.4.2 参数分析 | 第75-77页 |
| 4.4.3 噪声鲁棒性评价 | 第77-78页 |
| 4.4.4 GA分割结果的定性分析 | 第78-79页 |
| 4.4.5 GA分割结果的定量分析 | 第79-81页 |
| 4.4.6 商业软件结果分析 | 第81页 |
| 4.5 算法性能分析 | 第81-82页 |
| 4.6 本章小结 | 第82-83页 |
| 5 基于回归学习的GA病变演化预测模型研究 | 第83-105页 |
| 5.1 引言 | 第83-85页 |
| 5.1.1 研究动机 | 第83-84页 |
| 5.1.2 解决方法概要 | 第84-85页 |
| 5.2 GA病变演化预测的研究现状 | 第85-86页 |
| 5.3 基于回归学习的GA病变演化预测模型 | 第86-93页 |
| 5.3.1 随访数据间的校准 | 第86-89页 |
| 5.3.2 GA病变区域自动分割 | 第89页 |
| 5.3.3 量化特征自动提取 | 第89-92页 |
| 5.3.4 GA演化预测模型 | 第92-93页 |
| 5.3.5 识别GA演化区域 | 第93页 |
| 5.4 实验结果与分析 | 第93-103页 |
| 5.4.1 实验数据分析 | 第93-94页 |
| 5.4.2 演化模型评价机制 | 第94-95页 |
| 5.4.3 量化特征重要性分析 | 第95-96页 |
| 5.4.4 参数σ分析 | 第96-97页 |
| 5.4.5 实验结果分析 | 第97-103页 |
| 5.5 演化预测模型分析 | 第103页 |
| 5.6 本章小结与讨论 | 第103-105页 |
| 6 总结与展望 | 第105-108页 |
| 6.1 工作总结 | 第105-107页 |
| 6.2 未来工作展望 | 第107-108页 |
| 致谢 | 第108-109页 |
| 参考文献 | 第109-124页 |
| 附录 | 第124-126页 |
