| 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 |
