| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 视网膜分层研究 | 第14-16页 |
| 1.2.1 视网膜层状结构 | 第14页 |
| 1.2.2 视网膜分层的研究意义 | 第14-15页 |
| 1.2.3 视网膜分层研究的现状 | 第15-16页 |
| 1.3 视网膜疾病筛查研究 | 第16-17页 |
| 1.3.1 视网膜疾病筛查研究的意义 | 第16页 |
| 1.3.2 视网膜疾病筛查研究的现状 | 第16-17页 |
| 1.4 本文的研究工作 | 第17-18页 |
| 1.5 论文的组织结构 | 第18-20页 |
| 第2章 视网膜OCT图像分析研究 | 第20-26页 |
| 2.1 视网膜层的分析 | 第20-22页 |
| 2.1.1 视网膜层的检测 | 第20-21页 |
| 2.1.2 视网膜层厚度分析 | 第21-22页 |
| 2.1.3 视网膜纹理分析 | 第22页 |
| 2.2 视网膜病变的检测 | 第22-26页 |
| 2.2.1 SEAD足迹的检测 | 第22-23页 |
| 2.2.2 三维SEAD区域分割 | 第23-26页 |
| 第3章 基于全卷积网络结合图论方法的视网膜OCT图像分层 | 第26-44页 |
| 3.1 引言 | 第26-27页 |
| 3.2 卷积神经网络 | 第27-34页 |
| 3.2.1 卷积神经网络起源 | 第27页 |
| 3.2.2 神经网络 | 第27-31页 |
| 3.2.3 卷积神经网络 | 第31-33页 |
| 3.2.4 卷积神经网络的训练 | 第33-34页 |
| 3.3 方法概述 | 第34-40页 |
| 3.3.1 基于深度学习的边界概率值的学习 | 第34-37页 |
| 3.3.2 边界概率图的后处理 | 第37页 |
| 3.3.3 基于图最短路径搜索的分层结果的确定 | 第37-40页 |
| 3.4 实验结果和分析 | 第40-42页 |
| 3.4.1 数据集和数据预处理 | 第40-41页 |
| 3.4.2 本章方法实验性能 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 基于三维卷积神经网络的视网膜疾病筛查 | 第44-52页 |
| 4.1 引言 | 第44-45页 |
| 4.2 方法概述 | 第45-48页 |
| 4.2.1 网络结构 | 第45-46页 |
| 4.2.2 分类得分融合 | 第46-47页 |
| 4.2.3 微调预训练好的模型 | 第47页 |
| 4.2.4 形式化描述 | 第47-48页 |
| 4.3 实验结果和分析 | 第48-50页 |
| 4.3.1 数据库与实验设置 | 第48-49页 |
| 4.3.2 本章方法实验性能 | 第49-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 总结与探讨 | 第52-54页 |
| 参考文献 | 第54-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间发表的学术论文 | 第66-68页 |
| 攻读学位期间参加的项目 | 第68-69页 |
| 学位论文评阅及答辩情况表 | 第69页 |