| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题研究的背景与意义 | 第11-13页 |
| 1.2 课题的国内外研究现状 | 第13-16页 |
| 1.3 课题研究的主要内容及创新点 | 第16-17页 |
| 1.4 论文的结构安排 | 第17-18页 |
| 第二章 视网膜病变及OCT图像的介绍 | 第18-24页 |
| 2.1 光学相干断层扫描成像技术 | 第18-20页 |
| 2.2 年龄相关性黄斑变性 | 第20-22页 |
| 2.3 糖尿病性黄斑水肿 | 第22-24页 |
| 第三章 深度学习算法及其相关优化方法 | 第24-41页 |
| 3.1 图像的分类与分割任务 | 第25-27页 |
| 3.2 卷积神经网络理论介绍 | 第27-33页 |
| 3.2.1 卷积层 | 第27-29页 |
| 3.2.2 池化层 | 第29-30页 |
| 3.2.3 全连接层 | 第30-31页 |
| 3.2.4 Dropout方法 | 第31-32页 |
| 3.2.5 迁移学习方法 | 第32-33页 |
| 3.3 损失函数与优化理论介绍 | 第33-36页 |
| 3.3.1 激活函数 | 第33-34页 |
| 3.3.2 损失函数 | 第34页 |
| 3.3.3 优化算法 | 第34-36页 |
| 3.4 四种实验卷积模型介绍 | 第36-41页 |
| 3.4.1 VGG模型 | 第37页 |
| 3.4.2 DenseNet模型 | 第37-38页 |
| 3.4.3 Xception模型 | 第38-39页 |
| 3.4.4 Conv-10模型 | 第39-41页 |
| 第四章 基于四种卷积模型的实验结果及分析 | 第41-58页 |
| 4.1 系统的整体框架 | 第41-42页 |
| 4.2 实验数据分析与增强 | 第42-45页 |
| 4.2.1 数据分析 | 第42-44页 |
| 4.2.2 数据增强 | 第44-45页 |
| 4.3 Dropout与数据增强的实验效果比较 | 第45-46页 |
| 4.4 迁移学习的实验效果比较 | 第46-47页 |
| 4.5 视网膜病变OCT图像的识别结果 | 第47-52页 |
| 4.5.1 基于2014_BOE_Srinivasan的实验结果 | 第47-49页 |
| 4.5.2 基于OCT2017的实验结果 | 第49-51页 |
| 4.5.3 DME图像的分割实验结果 | 第51-52页 |
| 4.6 Xception模型迁移至小儿肺炎X光图像的识别结果 | 第52-55页 |
| 4.6.1 小儿肺炎胸部X光图像 | 第53-54页 |
| 4.6.2 基于Chest_Xray2017的实验结果 | 第54-55页 |
| 4.7 基于Xception模型的自动医疗图像识别系统 | 第55-58页 |
| 总结与展望 | 第58-60页 |
| 总结 | 第58-59页 |
| 展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间的研究成果 | 第65-67页 |
| 致谢 | 第67页 |
