基于深度学习的糖尿病性视网膜图像分析算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 本文的研究内容和创新点 | 第11-12页 |
| 1.3 本文组织结构 | 第12-14页 |
| 2 相关工作研究综述 | 第14-28页 |
| 2.1 传统的视网膜图像处理方法 | 第14-18页 |
| 2.1.1 视网膜图像的预处理阶段 | 第14-15页 |
| 2.1.2 视网膜图像解剖结构分析阶段 | 第15-16页 |
| 2.1.3 视网膜病变检测阶段 | 第16-17页 |
| 2.1.4 视网膜图像病变程度诊断阶段 | 第17-18页 |
| 2.2 深度学习研究进展 | 第18-28页 |
| 2.2.1 浅层学习与深度学习 | 第18-19页 |
| 2.2.2 神经网络 | 第19-23页 |
| 2.2.3 卷积神经网络 | 第23-25页 |
| 2.2.4 深度学习的应用与发展 | 第25-28页 |
| 3 基于深度学习的糖尿病视网膜图像分类算法 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 基于深度学习的视网膜图像分类算法流程 | 第28-30页 |
| 3.3 视网膜图像预处理 | 第30-34页 |
| 3.3.1 视网膜图像分类数据集简介 | 第30-31页 |
| 3.3.2 去除背景和严重噪声图像 | 第31-32页 |
| 3.3.3 数据归一化 | 第32-33页 |
| 3.3.4 数据扩增 | 第33-34页 |
| 3.4 视网膜图像分类的网络结构 | 第34-35页 |
| 3.5 实验 | 第35-40页 |
| 3.5.1 实验设置 | 第35-36页 |
| 3.5.2 评价标准 | 第36页 |
| 3.5.3 实验结果与分析 | 第36-40页 |
| 3.6 小结 | 第40-42页 |
| 4 基于深度学习的视网膜图像分割算法 | 第42-56页 |
| 4.1 引言 | 第42页 |
| 4.2 视网膜图像分割算法流程 | 第42-44页 |
| 4.3 视网膜图像预处理与后处理 | 第44-47页 |
| 4.3.1 图像的重叠采样 | 第44-46页 |
| 4.3.2 分割结果图像合成 | 第46-47页 |
| 4.4 视网膜图像分割网络结构设计 | 第47-49页 |
| 4.4.1 Upsampling | 第47-48页 |
| 4.4.2 损失函数 | 第48页 |
| 4.4.3 网络架构 | 第48-49页 |
| 4.5 实验 | 第49-55页 |
| 4.5.1 实验设置 | 第49-50页 |
| 4.5.2 实验结果与分析 | 第50-55页 |
| 4.6 小结 | 第55-56页 |
| 5 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第62-64页 |
| 学位论文数据集 | 第64页 |
