| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-12页 |
| 1.1.1 眼底结构简介 | 第9-10页 |
| 1.1.2 眼底图像采集 | 第10-11页 |
| 1.1.3 眼底视网膜血管分割的意义 | 第11页 |
| 1.1.4 研究的难点和挑战 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的研究内容和主要工作 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 基础知识 | 第16-29页 |
| 2.1 深度学习 | 第16-25页 |
| 2.1.1 深度学习概述 | 第16-17页 |
| 2.1.2 卷积神经网络 | 第17-22页 |
| 2.1.3 常用损失函数 | 第22-24页 |
| 2.1.4 深度学习框架 | 第24-25页 |
| 2.2 条件随机场 | 第25-28页 |
| 2.2.1 概率无向图模型 | 第25-26页 |
| 2.2.2 条件随机场的定义 | 第26-27页 |
| 2.2.3 条件随机场的分割模型 | 第27-28页 |
| 2.2.4 模型推断 | 第28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 基于卷积神经网络和条件随机场的眼底图像血管分割算法 | 第29-39页 |
| 3.1 算法流程 | 第29-30页 |
| 3.2 预处理 | 第30页 |
| 3.3 基于多尺度卷积神经网络的粗分割 | 第30-36页 |
| 3.3.1 多尺度网络结构 | 第30-32页 |
| 3.3.2 交叉熵损失函数 | 第32-36页 |
| 3.4 基于全连接条件随机场的细分割 | 第36-37页 |
| 3.4.1 能量函数 | 第36-37页 |
| 3.4.2 一阶势函数 | 第37页 |
| 3.4.3 二阶势函数 | 第37页 |
| 3.5 本章小结 | 第37-39页 |
| 第4章 实验结果与分析 | 第39-52页 |
| 4.1 实验数据集 | 第39-40页 |
| 4.2 评价指标 | 第40页 |
| 4.3 实验方案 | 第40-41页 |
| 4.4 结果与分析 | 第41-51页 |
| 4.4.1 整体算法的分割性能 | 第41-44页 |
| 4.4.2 基于多尺度网络结构的分割性能 | 第44-46页 |
| 4.4.3 基于损失函数的分割性能 | 第46-48页 |
| 4.4.4 与目前主流方法的比较 | 第48-50页 |
| 4.4.5 时间复杂度 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-53页 |
| 5.1 全文总结 | 第52页 |
| 5.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间的研究成果 | 第58页 |