眼底硬性渗出物自动检测系统的研究与实现
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-14页 |
| 1.1 课题背景及研究的目的和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 眼底硬性渗出物分割方法研究现状 | 第8-9页 |
| 1.2.2 眼底硬性渗出物分类方法研究现状 | 第9-10页 |
| 1.2.3 深度学习方法研究现状 | 第10-12页 |
| 1.3 本课题主要研究内容和章节安排 | 第12-14页 |
| 第2章 眼底硬性渗出物分割算法的研究 | 第14-27页 |
| 2.1 引言 | 第14页 |
| 2.2 眼底图像预处理 | 第14-17页 |
| 2.3 视盘检测与消除 | 第17-18页 |
| 2.4 硬性渗出物分割算法 | 第18-24页 |
| 2.4.1 基于聚类的硬性渗出分割 | 第19-20页 |
| 2.4.2 基于局部方差的硬性渗出分割 | 第20-22页 |
| 2.4.3 基于背景估计的硬性渗出物分割 | 第22-24页 |
| 2.5 实验结果与分析 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于手工特征的眼底硬性渗出分类 | 第27-40页 |
| 3.1 引言 | 第27页 |
| 3.2 特征设计与提取 | 第27-32页 |
| 3.3 硬性渗出分类算法 | 第32-37页 |
| 3.3.1 基于支持向量机的硬性渗出分类 | 第32-34页 |
| 3.3.2 基于RUSBoost的硬性渗出分类 | 第34-36页 |
| 3.3.3 基于装袋决策树的硬性渗出分类 | 第36-37页 |
| 3.4 实验结果与分析 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于深度学习的硬性渗出检测方法 | 第40-50页 |
| 4.1 引言 | 第40页 |
| 4.2 眼底图像样本准备与预处理 | 第40-41页 |
| 4.3 基于深度卷积网络的硬性渗出检测 | 第41-43页 |
| 4.3.1 深度卷积网络 | 第41-42页 |
| 4.3.2 渗出物检测深度卷积网络结构 | 第42-43页 |
| 4.4 基于生成对抗网络的硬性渗出检测 | 第43-48页 |
| 4.4.1 生成对抗网络 | 第43-44页 |
| 4.4.2 深度卷积生成对抗网络 | 第44-45页 |
| 4.4.3 信息生成对抗网络 | 第45-47页 |
| 4.4.4 改进的信息生成对抗网络 | 第47-48页 |
| 4.5 实验结果与分析 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第5章 硬性渗出物检测系统设计与实现 | 第50-61页 |
| 5.1 引言 | 第50页 |
| 5.2 硬性渗出物检测系统需求分析 | 第50-51页 |
| 5.3 硬性渗出物检测系统总体结构 | 第51-52页 |
| 5.4 硬性渗出物检测系统各模块的实现 | 第52-60页 |
| 5.4.1 预处理模块 | 第53页 |
| 5.4.2 视盘检测模块 | 第53-54页 |
| 5.4.3 血管检测模块 | 第54-55页 |
| 5.4.4 硬性渗出物分割模块 | 第55-57页 |
| 5.4.5 特征提取模块 | 第57页 |
| 5.4.6 硬性渗出物检测模块 | 第57-58页 |
| 5.4.7 GUI模块 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第67-69页 |
| 致谢 | 第69页 |
