基于深度学习的青光眼形态特征自动识别方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.1.1 青光眼眼底图像识别研究的背景及意义 | 第11-12页 |
| 1.1.2 卷积神经网络研究的背景和意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 青光眼图像识别研究现状 | 第12-13页 |
| 1.2.2 眼底图像分析与处理研究现状 | 第13-14页 |
| 1.2.3 卷积神经网络在图像识别领域研究现状 | 第14-15页 |
| 1.3 本论文的主要工作内容 | 第15-16页 |
| 1.4 本论文的结构安排 | 第16-17页 |
| 第2章 相关理论及技术基础 | 第17-29页 |
| 2.1 青光眼医学结构及特征 | 第17-19页 |
| 2.2 眼底图像的预处理 | 第19页 |
| 2.3 人工神经网络 | 第19-23页 |
| 2.3.1 概述 | 第19-20页 |
| 2.3.2 单层感知器 | 第20-21页 |
| 2.3.3 多层感知器 | 第21-23页 |
| 2.3.4 前馈反向传播算法 | 第23页 |
| 2.4 卷积神经网络 | 第23-25页 |
| 2.4.1 卷积神经网络概述 | 第24页 |
| 2.4.2 卷积神经网络的结构 | 第24-25页 |
| 2.5 Caffe深度学习框架 | 第25-27页 |
| 2.5.1 基本介绍 | 第25-26页 |
| 2.5.2 特性介绍 | 第26-27页 |
| 2.6 本章小结 | 第27-29页 |
| 第3章 数据预处理 | 第29-49页 |
| 3.1 神经网络模型数据预处理 | 第29-31页 |
| 3.2 数据收集、整理 | 第31页 |
| 3.2.1 数据收集 | 第31页 |
| 3.2.2 数据整理 | 第31页 |
| 3.3 去除病人信息 | 第31-33页 |
| 3.4 数据像素归一化 | 第33页 |
| 3.5 提取G通道 | 第33-35页 |
| 3.6 增强图像对比度 | 第35-37页 |
| 3.6.1 频率域法 | 第35页 |
| 3.6.2 空间域法 | 第35-37页 |
| 3.7 图像滤波处理 | 第37-39页 |
| 3.7.1 线性滤波 | 第37-38页 |
| 3.7.2 中值滤波 | 第38页 |
| 3.7.3 维纳滤波 | 第38-39页 |
| 3.8 图片的填充操作 | 第39-41页 |
| 3.8.1 像素的连通性 | 第39-40页 |
| 3.8.2 空穴填充 | 第40-41页 |
| 3.9 图像骨架提取操作 | 第41-43页 |
| 3.9.1 血管骨架 | 第41页 |
| 3.9.2 图像腐蚀 | 第41-43页 |
| 3.10 图像高低帽变换处理 | 第43-45页 |
| 3.11 图像水平翻转处理 | 第45-46页 |
| 3.12 图像感兴趣区域提取处理 | 第46-47页 |
| 3.13 本章小结 | 第47-49页 |
| 第4章 眼底图像预测模型的建立 | 第49-61页 |
| 4.1 Caffe深度学习框架环境的搭建 | 第49-53页 |
| 4.2 卷积神经网络的构建 | 第53-60页 |
| 4.2.1 卷积层的构建 | 第54-55页 |
| 4.2.2 降采样(pooling)层的构建 | 第55-57页 |
| 4.2.3 全连接层的实现 | 第57-58页 |
| 4.2.4 SOFTMAX层的实现 | 第58-60页 |
| 4.3 本章小结 | 第60-61页 |
| 第5章 基于深度卷积神经网络的眼底图像识别 | 第61-75页 |
| 5.1 实验准备工作 | 第61-66页 |
| 5.1.1 图像数据准备工作 | 第61页 |
| 5.1.2 眼底图像预测模型准备工作 | 第61-65页 |
| 5.1.2.1 深度学习框架的准备工作 | 第61页 |
| 5.1.2.2 深度卷积神经网络的准备工作 | 第61-65页 |
| 5.1.3 实验内容准备工作 | 第65-66页 |
| 5.2 使用CAFFE训练数据步骤 | 第66-71页 |
| 5.3 实验结果与分析 | 第71-73页 |
| 5.3.1 实验一结果与分析： | 第71-72页 |
| 5.3.2 实验二结果与分析： | 第72-73页 |
| 5.4 本章小结 | 第73-75页 |
| 总结与展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间取得的研究成果 | 第83-85页 |
| 致谢 | 第85页 |
