| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于传统图像处理技术的视杯分割 | 第11-13页 |
| 1.2.2 基于深度学习技术的视杯分割 | 第13-14页 |
| 1.3 研究内容及结构安排 | 第14-15页 |
| 第二章 深度学习算法原理 | 第15-25页 |
| 2.1 深度学习网络介绍 | 第15-17页 |
| 2.1.1 神经网络 | 第15页 |
| 2.1.2 深度神经网络 | 第15-16页 |
| 2.1.3 卷积神经网络 | 第16页 |
| 2.1.4 全卷积神经网络 | 第16-17页 |
| 2.1.5 语义分割网络 | 第17页 |
| 2.2 深度学习网络工作原理 | 第17-23页 |
| 2.2.1 卷积层 | 第17-18页 |
| 2.2.2 池化层 | 第18-19页 |
| 2.2.3 全连接层 | 第19-20页 |
| 2.2.4 前向传播算法 | 第20-21页 |
| 2.2.5 反向传播算法 | 第21-23页 |
| 2.3 深度学习神经网络Caffe框架 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于FCM聚类的彩色眼底图像视杯分割方法 | 第25-35页 |
| 3.1 基于滑动窗口的感兴趣区域提取 | 第25-26页 |
| 3.2 基于高斯差分滤波器的血管提取 | 第26-27页 |
| 3.3 基于最大类间方差法的视盘分割 | 第27-30页 |
| 3.4 基于FCM聚类的视杯分割 | 第30-34页 |
| 3.4.1 基于邻域像素替换的血管擦除 | 第30-31页 |
| 3.4.2 基于FCM聚类的视杯提取 | 第31-32页 |
| 3.4.3 视杯椭圆拟合 | 第32-33页 |
| 3.4.4 基于血管弯折点的视杯位置校正 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于Seg-ResNet网络的彩色眼底图像视杯分割 | 第35-47页 |
| 4.1 Seg-ResNet网络设计 | 第35-38页 |
| 4.2 Seg-ResNet网络结构 | 第38-44页 |
| 4.2.1 残差结构 | 第38-40页 |
| 4.2.2 通道加权 | 第40-41页 |
| 4.2.3 特征融合 | 第41-42页 |
| 4.2.4 激活函数 | 第42-43页 |
| 4.2.5 迁移学习 | 第43-44页 |
| 4.3 基于Seg-ResNet的视杯分割 | 第44-46页 |
| 4.3.1 提取感兴趣区域 | 第44-45页 |
| 4.3.2 视杯分割 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 实验结果与分析 | 第47-59页 |
| 5.1 实验平台与数据集 | 第47页 |
| 5.1.1 实验平台 | 第47页 |
| 5.1.2 实验数据集 | 第47页 |
| 5.2 基于Seg-ResNet网络的视杯分割结果 | 第47-49页 |
| 5.3 评价标准 | 第49-50页 |
| 5.4 结果对比 | 第50-55页 |
| 5.4.1 与未改进的网络视杯分割方法对比 | 第50-52页 |
| 5.4.2 与FCM 聚类视杯分割方法对比 | 第52-54页 |
| 5.4.3 与其他文献视杯分割方法对比 | 第54-55页 |
| 5.5 结果分析 | 第55-56页 |
| 5.6 本章小结 | 第56-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 发表论文和参加科研情况 | 第65-67页 |
| 致谢 | 第67页 |