基于卷积神经网络的糖尿病视网膜病变检测方法的研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 课题的研究背景和意义 | 第8页 |
| 1.2 糖尿病视网膜病变 | 第8-12页 |
| 1.2.1 人眼及眼底 | 第8-9页 |
| 1.2.2 糖尿病视网膜病变眼底表现 | 第9-10页 |
| 1.2.3 糖尿病视网膜病变眼底图像 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 微动脉瘤检测的研究现状 | 第12-13页 |
| 1.3.2 渗出物检测的研究现状 | 第13-14页 |
| 1.3.3 深度学习在DR检测的研究现状 | 第14-15页 |
| 1.4 主要研究内容及难点 | 第15-16页 |
| 1.5 本文结构安排 | 第16-17页 |
| 第2章 神经网络与深度学习 | 第17-28页 |
| 2.1 神经网络 | 第17-23页 |
| 2.1.1 神经元 | 第17-18页 |
| 2.1.2 激励函数单元 | 第18-19页 |
| 2.1.3 误差函数 | 第19页 |
| 2.1.4 梯度下降法 | 第19-20页 |
| 2.1.5 反向传播算法 | 第20-23页 |
| 2.2 深度学习 | 第23页 |
| 2.3 卷积神经网络 | 第23-27页 |
| 2.3.1 卷积神经网络的结构 | 第24-26页 |
| 2.3.2 卷积神经网络的训练算法 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 糖尿病视网膜病变候选区域检测 | 第28-40页 |
| 3.1 引言 | 第28页 |
| 3.2 图像处理基础 | 第28-34页 |
| 3.2.1 彩色RGB模型 | 第28-29页 |
| 3.2.2 对比度增强 | 第29-32页 |
| 3.2.3 中值滤波 | 第32页 |
| 3.2.4 亮度的均衡和归一化 | 第32-34页 |
| 3.3 微动脉瘤候选区域提取 | 第34-36页 |
| 3.3.1 预处理 | 第34-35页 |
| 3.3.2 局部最小值检测 | 第35-36页 |
| 3.4 渗出物候选区域提取 | 第36-39页 |
| 3.4.1 预处理 | 第36-37页 |
| 3.4.2 数学形态学重建 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于CNN的微动脉瘤检测 | 第40-60页 |
| 4.1 引言 | 第40-41页 |
| 4.2 实验数据集 | 第41-43页 |
| 4.2.1 数据集预处理 | 第41-42页 |
| 4.2.2 交叉验证 | 第42-43页 |
| 4.3 基于CNN的微动脉瘤识别 | 第43-49页 |
| 4.3.1 微动脉瘤CNN模型的研究 | 第43-46页 |
| 4.3.2 二分类器评价指标 | 第46页 |
| 4.3.3 实验与分析 | 第46-49页 |
| 4.4 基于SVM的微动脉瘤识别 | 第49-54页 |
| 4.4.1 特征提取 | 第49-50页 |
| 4.4.2 支持向量机 | 第50-52页 |
| 4.4.3 实验与分析 | 第52-54页 |
| 4.5 完整的微动脉瘤检测 | 第54-59页 |
| 4.5.1 检测流程 | 第54页 |
| 4.5.2 检测算法评价指标 | 第54-55页 |
| 4.5.3 实验与分析 | 第55-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第5章 基于CNN的渗出物检测 | 第60-71页 |
| 5.1 引言 | 第60-61页 |
| 5.2 实验数据集 | 第61-62页 |
| 5.3 基于CNN的渗出物识别 | 第62-66页 |
| 5.3.1 渗出物CNN模型的研究 | 第62-64页 |
| 5.3.2 实验与分析 | 第64-66页 |
| 5.4 完整的渗出物检测 | 第66-70页 |
| 5.4.1 检测流程 | 第66页 |
| 5.4.2 检测算法评价指标 | 第66-68页 |
| 5.4.3 实验与分析 | 第68-70页 |
| 5.5 本章小结 | 第70-71页 |
| 总结和展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-80页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第80页 |
