首页--医药、卫生论文--内科学论文--内分泌腺疾病及代谢病论文--胰岛疾病论文--糖尿病性昏迷及其他并发症论文

基于深度学习的DR眼底图像黄斑水肿分级方法研究

摘要第4-5页
ABSTRACT第5-6页
第一章 绪论第10-18页
    1.1 课题研究背景及意义第10-11页
    1.2 国内外研究现状第11-15页
        1.2.1 黄斑中心定位的国内外研究现状第11-13页
        1.2.2 硬性渗出物分割的国内外研究现状第13-14页
        1.2.3 DME分级的国内外研究现状第14-15页
    1.3 论文研究内容第15-17页
    1.4 论文组织结构第17-18页
第二章 深度学习相关理论第18-28页
    2.1 卷积神经网络基础知识第18-22页
        2.1.1 卷积层第18-19页
        2.1.2 激活函数层第19-20页
        2.1.3 池化层第20页
        2.1.4 全连接层第20-22页
    2.2 基于深度学习的目标检测方法概述第22-25页
        2.2.1 从R-CNN到Faster R-CNN的方法演进第22-24页
        2.2.2 基于改进型Faster R-CNN定位黄斑中心的可行性分析第24-25页
    2.3 基于深度学习的语义分割方法概述第25-26页
    2.4 本章小结第26-28页
第三章 基于改进型Faster R-CNN网络和血管标注的黄斑中心定位第28-46页
    3.1 数据准备第28-31页
        3.1.1 数据集第28-30页
        3.1.2 样本标注第30-31页
    3.2 Faster R-CNN网络结构第31-32页
    3.3 改进型Faster R-CNN网络结构第32-38页
        3.3.1 Anchor的重新设定第33-34页
        3.3.2 网络训练过程第34-38页
    3.4 实验结果与分析第38-44页
        3.4.1 实验平台与评价指标第38-39页
        3.4.2 不同训练样本对定位结果的影响第39-41页
        3.4.3 不同大小的Anchor对定位结果的影响第41-42页
        3.4.4 与其他方法对比分析第42-44页
    3.5 本章小结第44-46页
第四章 基于MD-ResNet网络的HE分割第46-64页
    4.1 理论基础第46-50页
        4.1.1 残差网络第46-48页
        4.1.2 空洞卷积第48-50页
        4.1.3 多级特征融合第50页
    4.2 MD-ResNet网络结构第50-52页
    4.3 数据准备第52-53页
        4.3.1 数据集第52页
        4.3.2 训练样本第52-53页
    4.4 实验结果与分析第53-62页
        4.4.1 实验平台与评价指标第53-56页
        4.4.2 基于MD-ResNet网络的HE分割结果第56-58页
        4.4.3 与传统HE分割方法对比第58页
        4.4.4 与其他网络HE分割方法对比第58-61页
        4.4.5 与其他代表性深度学习分割方法对比第61-62页
    4.5 本章小结第62-64页
第五章 DR图像黄斑水肿分级智能软件系统设计第64-72页
    5.1 基于黄斑中心定位和HE分割的DME分级方法第64-65页
        5.1.1 国际临床DME分级标准第64页
        5.1.2 基于DR眼底图像的DME分级第64-65页
    5.2 软件系统设计第65-69页
        5.2.1 软件系统总体概述第65-66页
        5.2.2 系统登录界面第66-67页
        5.2.3 系统主界面第67-68页
        5.2.4 系统查询界面第68-69页
    5.3 DME分级结果数据对比第69-70页
    5.4 本章小结第70-72页
第六章 总结与展望第72-74页
    6.1 本文工作总结第72-73页
    6.2 课题后续研究展望第73-74页
参考文献第74-80页
发表论文和参加科研情况第80-82页
致谢第82页

论文共82页,点击 下载论文
上一篇:小组工作介入糖尿病患者自我管理的实务探索--以深圳市Y医院为例
下一篇:乌索酸对高尿酸血症大鼠ICAM-1、CRP、NF-κB表达的影响