基于深度学习的小儿白内障裂隙图像诊断研究及治疗效果预测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 研究现状 | 第15-16页 |
| 1.3 本文工作及组织结构 | 第16-18页 |
| 第二章 相关理论基础 | 第18-28页 |
| 2.1 深度学习相关基础 | 第18-23页 |
| 2.1.1 深度网络用于有监督学习 | 第19-20页 |
| 2.1.2 深度网络用于无监督学习 | 第20-22页 |
| 2.1.3 混合深度网络 | 第22-23页 |
| 2.2 小儿白内障裂隙灯图像数据介绍 | 第23-26页 |
| 2.2.1 裂隙图像数据 | 第23-24页 |
| 2.2.2 红反时间序列图像数据 | 第24-26页 |
| 2.3 本章小结 | 第26-28页 |
| 第三章 小儿白内障裂隙图像分级方法 | 第28-38页 |
| 3.1 方法概述 | 第28页 |
| 3.2 裂隙图像晶状体定位 | 第28-31页 |
| 3.2.1 边缘检测 | 第30页 |
| 3.2.2 圆检测及晶状体定位 | 第30-31页 |
| 3.3 裂隙图像分级 | 第31-36页 |
| 3.3.1 CNN网络结构概述 | 第31-33页 |
| 3.3.2 CNN网络具体实现 | 第33-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 小儿白内障术后红反时间序列图像预测方法 | 第38-46页 |
| 4.1 方法概述 | 第38-39页 |
| 4.2 时间序列图像特征抽取 | 第39页 |
| 4.3 术后红反时间序列图像预测 | 第39-44页 |
| 4.3.1 RNN网络结构 | 第40-42页 |
| 4.3.2 LSTM对RNN的改进 | 第42-44页 |
| 4.4 本章小结 | 第44-46页 |
| 第五章 实验结果与分析 | 第46-60页 |
| 5.1 实验数据说明 | 第46-47页 |
| 5.1.1 裂隙灯图像的收集和标注 | 第46页 |
| 5.1.2 裂隙图像数据统计 | 第46-47页 |
| 5.1.3 红反图像数据统计 | 第47页 |
| 5.2 裂隙图像分级分析验证 | 第47-57页 |
| 5.2.1 实验平台及CNN训练 | 第47-48页 |
| 5.2.2 对比实验介绍 | 第48-49页 |
| 5.2.3 CNN网络参数优化 | 第49-54页 |
| 5.2.4 实验结果统计及分析 | 第54-57页 |
| 5.3 术后红反时间序列图像预测分析验证 | 第57-59页 |
| 5.3.1 实验平台及LSTM训练 | 第57-58页 |
| 5.3.2 实验结果统计及分析 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文工作总结 | 第60页 |
| 6.2 进一步研究方向 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |
