基于机器学习的角膜炎图像辅助诊断研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 研究现状 | 第15-16页 |
| 1.3 研究内容与工作 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 第二章 相关技术基础 | 第18-30页 |
| 2.1 角膜炎裂隙灯图像介绍 | 第18页 |
| 2.2 机器学习相关基础 | 第18-29页 |
| 2.2.1 特征提取 | 第18-23页 |
| 2.2.2 特征分类 | 第23-27页 |
| 2.2.3 卷积神经网络 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 角膜炎辅助诊断 | 第30-48页 |
| 3.1 方法概述 | 第30-31页 |
| 3.2 特征提取 | 第31页 |
| 3.2.1 尺度不变特征变换 | 第31页 |
| 3.2.2 局部二值模式 | 第31页 |
| 3.3 特征分类 | 第31-35页 |
| 3.3.1 支持向量机 | 第32-33页 |
| 3.3.2 径向基函数神经网络 | 第33-34页 |
| 3.3.3 随机森林 | 第34-35页 |
| 3.3.4 K最邻近 | 第35页 |
| 3.4 卷积神经网络 | 第35-46页 |
| 3.4.1 迁移学习 | 第35-36页 |
| 3.4.2 网络结构概述 | 第36-41页 |
| 3.4.3 网络具体实现 | 第41-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 角膜炎严重程度评估 | 第48-54页 |
| 4.1 方法概论 | 第48-49页 |
| 4.2 非平衡数据集 | 第49页 |
| 4.3 角膜炎裂隙灯图像分级方法 | 第49-52页 |
| 4.3.1 网络结构概述 | 第49页 |
| 4.3.2 网络具体实现 | 第49-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 实验结果与分析 | 第54-64页 |
| 5.1 实验数据说明 | 第54页 |
| 5.2 实验环境 | 第54-55页 |
| 5.3 相关评估指标介绍 | 第55-56页 |
| 5.4 角膜炎辅助诊断分析验证 | 第56-60页 |
| 5.4.1 传统机器学习算法 | 第56-57页 |
| 5.4.2 卷积神经网络 | 第57-60页 |
| 5.5 角膜炎严重程度评估分析验证 | 第60-62页 |
| 5.6 本章小结 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 本文工作总结 | 第64页 |
| 6.2 进一步研究方向 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 作者简介 | 第72-73页 |
