| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 内窥镜的发展和现状 | 第13-15页 |
| 1.3 无线胶囊内窥镜小肠病变图动检测技术国内外研究现状 | 第15-17页 |
| 1.3.1 传统机器学习自动检测 | 第15-16页 |
| 1.3.2 基于深度学习算法自动检测 | 第16-17页 |
| 1.4 本文主要研究内容与结构安排 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第二章 深度学习概述 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 深度学习的发展和现状 | 第19-22页 |
| 2.2.1 深度学习发展历程 | 第20-21页 |
| 2.2.2 深度学习在图像识别上的应用 | 第21-22页 |
| 2.3 卷积神经网络工作原理 | 第22-27页 |
| 2.3.1 前向传播 | 第24-25页 |
| 2.3.2 反向传播 | 第25-26页 |
| 2.3.3 梯度计算 | 第26-27页 |
| 2.4 Caffe简介 | 第27-29页 |
| 2.4.1 Caffe框架介绍 | 第27-28页 |
| 2.4.2 Caffe训练 | 第28-29页 |
| 第三章 无线胶囊内窥镜小肠图像定位识别 | 第29-38页 |
| 3.1 引言 | 第29页 |
| 3.2 小肠图像数据准备 | 第29-31页 |
| 3.2.1 数据分布 | 第29-30页 |
| 3.2.2 数据预处理 | 第30-31页 |
| 3.2.3 数据转换 | 第31页 |
| 3.3 小肠定位识别 | 第31-37页 |
| 3.3.1 实验数据 | 第32页 |
| 3.3.2 定位模型架构 | 第32-33页 |
| 3.3.3 模型优化 | 第33-34页 |
| 3.3.4 评价指标 | 第34-35页 |
| 3.3.5 实验结果及分析 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 小肠图像病变检测研究 | 第38-57页 |
| 4.1 引言 | 第38页 |
| 4.2 小肠出血检测 | 第38-42页 |
| 4.2.1 实验数据 | 第38-39页 |
| 4.2.2 出血检测模型 | 第39-40页 |
| 4.2.3 模型优化 | 第40-41页 |
| 4.2.4 评价指标 | 第41页 |
| 4.2.5 实验结果及分析 | 第41-42页 |
| 4.3 小肠糜烂检测 | 第42-46页 |
| 4.3.1 实验数据 | 第43页 |
| 4.3.2 糜烂检测模型 | 第43-45页 |
| 4.3.3 模型优化 | 第45页 |
| 4.3.4 实验结果及分析 | 第45-46页 |
| 4.4 小肠溃疡检测 | 第46-50页 |
| 4.4.1 实验数据 | 第47页 |
| 4.4.2 溃疡检测模型 | 第47-48页 |
| 4.4.3 模型优化 | 第48-49页 |
| 4.4.4 实验结果及分析 | 第49-50页 |
| 4.5 小肠息肉检测 | 第50-53页 |
| 4.5.1 实验数据 | 第50-51页 |
| 4.5.2 息肉检测模型 | 第51页 |
| 4.5.3 模型优化 | 第51-52页 |
| 4.5.4 实验结果及分析 | 第52-53页 |
| 4.6 小肠多病变检测 | 第53-56页 |
| 4.6.1 实验数据 | 第53-54页 |
| 4.6.2 检测模型 | 第54-55页 |
| 4.6.3 模型优化 | 第55页 |
| 4.6.4 实验结果与分析 | 第55-56页 |
| 4.7 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |