首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

视网膜病变OCT图像的自动分类

摘要第4-5页
abstract第5页
第一章 绪论第8-15页
    1.1 视网膜影像技术的发展第8-10页
    1.2 视网膜常见疾病及其OCT图像第10-12页
    1.3 基于OCT图像的视网膜疾病诊断的研究现状第12-13页
    1.4 本文的研究内容第13页
    1.5 本文的组织结构第13-15页
第二章 深度学习与Adaboost分类器第15-23页
    2.1 深度学习第15-20页
        2.1.1 深度学习与神经网络第15-17页
        2.1.2 深度学习训练过程第17-18页
        2.1.3 深度学习在医学图像上的应用第18-20页
    2.2 Adaboost分类器第20-22页
        2.2.1 Adaboost分类器介绍第20-21页
        2.2.2 Adaboost分类器训练第21-22页
        2.2.3 Adaboost分类器应用第22页
    2.3 本章小结第22-23页
第三章 基于Adaboost的视网膜疾病图像自动分类第23-41页
    3.1 基于Adaboost的视网膜疾病图像分类流程第23-24页
    3.2 视网膜图像预处理第24-29页
        3.2.1 分层和拉平第24-26页
        3.2.2 去噪和增强第26-29页
    3.3 基于LBP的特征提取与降维第29-34页
        3.3.1 基于MSSP的LBP纹理特征提取第29-31页
        3.3.2 基于Canny的LBP形状特征提取第31-33页
        3.3.3 基于PCA的特征降维第33-34页
    3.4 实验和结果分析第34-40页
        3.4.1 数据的获取和评价标准第34-35页
        3.4.2 实验第35-36页
        3.4.3 结果分析第36-40页
    3.5 本章小结第40-41页
第四章 基于深度学习的视网膜疾病图像自动分类第41-53页
    4.1 基于Adaboost的视网膜疾病图像分类流程第41-42页
    4.2 筛查图像和数据扩增第42-43页
    4.3 GoogLeNet网络结构和迁移学习第43-46页
    4.4 实验和结果分析第46-51页
        4.4.1 数据的获取和评价标准第46-48页
        4.4.2 结果分析第48-51页
    4.5 传统分类与深度学习分类比较第51-52页
    4.6 本章小结第52-53页
第五章 总结和展望第53-55页
    5.1 总结第53页
    5.2 展望第53-55页
参考文献第55-59页
攻读学位期间公开发表的论文、专利第59-60页
致谢第60-61页

论文共61页,点击 下载论文
上一篇:基于OpenCV和CUDA实时校正大视场物镜畸变的研究
下一篇:基于嵌入方法的兴趣点推荐系统的研究与实现