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 |