| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 硬渗出物检测研究现状 | 第14-17页 |
| 1.2.2 深度学习在医学图像处理中研究现状 | 第17-19页 |
| 1.3 本文的研究内容 | 第19-20页 |
| 1.4 论文章节安排 | 第20-22页 |
| 第2章 深度学习及其相关技术 | 第22-30页 |
| 2.1 卷积神经网络 | 第22-24页 |
| 2.2 主成分分析网络 | 第24-26页 |
| 2.3 语义分割网络 | 第26-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 硬渗出物候选区域的提取方法 | 第30-36页 |
| 3.1 硬渗出物检测的整体流程 | 第30-31页 |
| 3.2 主血管的提取 | 第31-32页 |
| 3.3 确定视盘中心 | 第32-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 基于改进的主成分分析网络的硬渗出物检测方法 | 第36-54页 |
| 4.1 方法概述 | 第36-37页 |
| 4.2 改进的主成分分析网络模型 | 第37-44页 |
| 4.2.1 网络整体结构 | 第37-39页 |
| 4.2.2 第一阶段 | 第39-40页 |
| 4.2.3 第二阶段 | 第40-41页 |
| 4.2.4 输出层 | 第41-44页 |
| 4.3 实验与分析 | 第44-52页 |
| 4.3.1 实验数据库 | 第44页 |
| 4.3.2 评价标准 | 第44-45页 |
| 4.3.3 网络结构和参数测试 | 第45-50页 |
| 4.3.4 方法效果与对比分析 | 第50-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第5章 基于U-Net的硬渗出物检测方法 | 第54-66页 |
| 5.1 方法概述 | 第54-55页 |
| 5.2 网络模型 | 第55-60页 |
| 5.2.1 预处理和训练集采样 | 第56-58页 |
| 5.2.2 池化与上采样结构 | 第58页 |
| 5.2.3 多卷积结构 | 第58-60页 |
| 5.2.4 学习率和损失函数 | 第60页 |
| 5.3 实验及分析 | 第60-65页 |
| 5.3.1 网络结构和参数测试 | 第61-63页 |
| 5.3.2 方法效果与对比分析 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士期间已发表的论文 | 第74-76页 |
| 致谢 | 第76页 |