| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 引言 | 第12-22页 |
| 1.1 课题研究背景 | 第12-17页 |
| 1.1.1 冠心病 | 第12-13页 |
| 1.1.2 经皮冠状动脉介入治疗与心脏支架 | 第13-14页 |
| 1.1.3 光学相干断层扫描技术原理 | 第14-15页 |
| 1.1.4 冠状动脉内OCT图像 | 第15-17页 |
| 1.2 研究目的和意义 | 第17页 |
| 1.3 国内外研究现状与发展趋势 | 第17-19页 |
| 1.4 本文主要工作 | 第19-22页 |
| 第2章 基于Adaboost算法的可降解支架自动检测 | 第22-36页 |
| 2.1 算法原理分析 | 第22-24页 |
| 2.1.1 PAC模型 | 第22页 |
| 2.1.2 Adaboost算法 | 第22-24页 |
| 2.2 特征设计 | 第24-28页 |
| 2.2.1 Haar特征 | 第24-26页 |
| 2.2.2 特征值计算与积分图 | 第26-28页 |
| 2.3 分类器训练 | 第28-31页 |
| 2.3.1 弱分类器搭建 | 第28-30页 |
| 2.3.2 强分类器构建 | 第30-31页 |
| 2.4 级联结构设计 | 第31-33页 |
| 2.5 基于Adaboost算法的算法的支架检测过程 | 第33-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 基于深度学习的可降解支架自动检测 | 第36-52页 |
| 3.1 深度学习发展历程 | 第36-39页 |
| 3.1.1 人工神经网络 | 第36页 |
| 3.1.2 深度学习 | 第36-37页 |
| 3.1.3 卷积神经网络 | 第37-39页 |
| 3.2 算法原理分析 | 第39-45页 |
| 3.2.1 神经网络原理 | 第39-40页 |
| 3.2.2 反向传播算法原理 | 第40-41页 |
| 3.2.3 卷积神经网络原理 | 第41-45页 |
| 3.3 基于R-FCN的可降解支架自动检测 | 第45-50页 |
| 3.3.1 特征提取模块 | 第46-47页 |
| 3.3.2 RPN模块 | 第47-49页 |
| 3.3.3 分类回归模块 | 第49-50页 |
| 3.4 本章小结 | 第50-52页 |
| 第4章 基于动态规划算法的可降解支架自动分割 | 第52-58页 |
| 4.1 动态规划算法原理 | 第52-53页 |
| 4.2 可降解支架自动分割 | 第53-57页 |
| 4.2.1 坐标系变换 | 第54-55页 |
| 4.2.2 预处理 | 第55-56页 |
| 4.2.3 支架轮廓分割 | 第56-57页 |
| 4.3 本章小结 | 第57-58页 |
| 第5章 实验设计与结果分析 | 第58-70页 |
| 5.1 实验概述 | 第58-61页 |
| 5.1.1 实验材料 | 第58-59页 |
| 5.1.2 实验环境 | 第59页 |
| 5.1.3 参数设置 | 第59-60页 |
| 5.1.4 评价标准 | 第60-61页 |
| 5.2 实验结果定性分析 | 第61-65页 |
| 5.2.1 基于Adaboost算法的可降解支架自动检测 | 第61-62页 |
| 5.2.2 基于深度学习的可降解支架自动检测算法 | 第62-64页 |
| 5.2.3 基于动态规划算法的可降解支架自动分割 | 第64-65页 |
| 5.3 实验结果定量分析 | 第65-68页 |
| 5.3.1 检测性能评估 | 第65-67页 |
| 5.3.2 分割性能评估 | 第67-68页 |
| 5.3.3 耗时分析 | 第68页 |
| 5.4 本章小结 | 第68-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-80页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第80页 |
