基于深度学习的眼底图像分割方法研究.pdf

目录 目录 摘要I Abstract II 目录 IV 第1 章绪论 1 1.1 课题的研究背景及意义 1 1.2 国内外研究现状 1 1.2.1 基于无监督学习的视网膜血管分割算法 1 1.2.2 基于监督学习的视网膜血管分割算法 2 1.3 本文主要研究内容 5 1.4 论文结构安排 5 第2 章理论基础 7 2.1 卷积神经网络 7 2.1.1 卷积 7 2.1.2 激活函数 8 2.1.3 池化层 9 2.2 残差网络 10 2.3 密集连接网络11 2.4 U-Net 11 2.5 损失函数 12 2.5.1 交叉熵损失函数 13 2.5.2 Dice 损失函数 13 2.5.3 centerline-Dice 损失函数 13 2.6 本章小结 14 第3 章基于密集连接模块与信道注意力机制的分割网络（DE-UNet ） 15 3.1 引言 15 3.2 图像预处理 15 3.3 网络原理 17 3.3.1 整体架构说明 17 3.3.2 密集连接模块 17 3.3.3 信道注意力模块 19 3.4 网络模型算法测试 20 3.4.1 数据集说明 20 3.4.2 实验平台说明及参数设置 20 3.4.3 评估指标 21 3.4.4 基于DRIVE 数据集的实验结果分析 22 3.4.5 基于CHASE_DB1 数据集的实验结果分析 25 3.4.6 混合损失函数与交叉熵损失函数的分割结果对比 29 3.5 本章小结 31 2 第4 章结合轻量嵌套网络的生成对抗眼底图像分割模型（U R-GAN ） 32 4.1 引言 32 4.2 生成对抗网络 32 IV 目录 4.3 网络原理 35 4.3.1 整体架构说明 35 4.3.2 生成器结构 36 4.3.3 判别器结构 37 4.4 损失函数 38 4.5 网络模型算法测试 39 4.5.1 预处理算法 39 4.5.2 数据集说明 39 4.5.3 实验平台与参数设置 40 4.5.4 基于DRIVE 数据集的实验结果分析 40 4.5.5 基于STARE 数据集的实验结果分析 42 2 2 4.5.6 U R-GAN 与U-Net 、U -Net* 的实验结果对比 43