| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-26页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 眼睛及眼底图像的基本知识 | 第13-15页 |
| 1.3 国内外研究现状 | 第15-22页 |
| 1.3.1 深度学习的研究现状 | 第15-18页 |
| 1.3.2 眼底图像分析的研究现状 | 第18-22页 |
| 1.4 本文的组织结构 | 第22-26页 |
| 1.4.1 本文的研究内容 | 第22-23页 |
| 1.4.2 本文的组织结构 | 第23-26页 |
| 第2章 基于dropout的深度学习正则化方法研究 | 第26-52页 |
| 2.1 引言 | 第26-27页 |
| 2.2 基本原理 | 第27-29页 |
| 2.3 统一的dropout框架 | 第29-37页 |
| 2.3.1 拟合伯努利分布、均匀分布和高斯分布 | 第29-30页 |
| 2.3.2 β-dropout正则化特性 | 第30-37页 |
| 2.4 实验研究与讨论 | 第37-48页 |
| 2.4.1 MNIST的实验 | 第38-44页 |
| 2.4.2 CIFAR-10的实验 | 第44-45页 |
| 2.4.3 SVHN的实验 | 第45-46页 |
| 2.4.4 NORB的实验 | 第46-47页 |
| 2.4.5 ILSVRC-2012的实验 | 第47-48页 |
| 2.5 一种自适应β-dropout正则化方法 | 第48-49页 |
| 2.6 本章小结 | 第49-52页 |
| 第3章 基于深度神经网络的眼底血管分割方法研究 | 第52-70页 |
| 3.1 引言 | 第52-53页 |
| 3.2 血管分割模型框架 | 第53-59页 |
| 3.2.1 U-net血管分割模型 | 第53-54页 |
| 3.2.2 SEMU-net血管分割模型 | 第54-58页 |
| 3.2.3 后处理 | 第58-59页 |
| 3.3 数据集与评价指标 | 第59-61页 |
| 3.3.1 数据集介绍 | 第59-60页 |
| 3.3.2 评价指标 | 第60-61页 |
| 3.4 实验与结果 | 第61-68页 |
| 3.4.1 实验设置 | 第61页 |
| 3.4.2 实验结果及分析 | 第61-68页 |
| 3.5 本章小结 | 第68-70页 |
| 第4章 基于深度神经网络的早产儿视网膜病变Plus疾病检测和定量分析 | 第70-84页 |
| 4.1 引言 | 第70-71页 |
| 4.2 本文方法 | 第71-75页 |
| 4.2.1 Plus疾病判别框架 | 第71-73页 |
| 4.2.2 Plus疾病定量分析方法 | 第73-75页 |
| 4.3 数据集 | 第75-76页 |
| 4.4 实验结果和分析 | 第76-81页 |
| 4.4.1 实验参数设置 | 第76-77页 |
| 4.4.2 评估指标 | 第77-78页 |
| 4.4.3 Plus疾病自动检测系统的结果和分析 | 第78-81页 |
| 4.5 讨论 | 第81-82页 |
| 4.6 本章小结 | 第82-84页 |
| 第5章 基于深度神经网络的近视性黄斑病变检测及严重性识别方法研究 | 第84-100页 |
| 5.1 引言 | 第84-85页 |
| 5.2 相关工作 | 第85-86页 |
| 5.3 本文方法 | 第86-90页 |
| 5.3.1 数据预处理 | 第87-88页 |
| 5.3.2 数据扩增 | 第88-89页 |
| 5.3.3 网络结构 | 第89-90页 |
| 5.4 数据集 | 第90-93页 |
| 5.4.1 数据收集 | 第90页 |
| 5.4.2 数据标注 | 第90-92页 |
| 5.4.3 数据清洗 | 第92-93页 |
| 5.5 实验与结果分析 | 第93-98页 |
| 5.5.1 评价指标 | 第93-94页 |
| 5.5.2 实验设置 | 第94页 |
| 5.5.3 实验结果和分析 | 第94-98页 |
| 5.6 本章小结 | 第98-100页 |
| 第6章 总结与展望 | 第100-104页 |
| 6.1 总结 | 第100-101页 |
| 6.2 未来工作展望 | 第101-104页 |
| 参考文献 | 第104-122页 |
| 致谢 | 第122-124页 |
| 在读期间发表的学术论文与取得的研究成果 | 第124页 |
