摘要 | 第5-6页 |
Abstract | 第6页 |
第一章 绪论 | 第7-12页 |
1.1 研究背景 | 第7-8页 |
1.2 国内外研究现状 | 第8-10页 |
1.3 论文的主要内容及章节安排 | 第10-12页 |
第二章 深度学习和非负矩阵分解简介 | 第12-22页 |
2.1 自动编码器概述 | 第12-16页 |
2.1.1 自动编码器原理 | 第12-15页 |
2.1.2 自动编码器的拓展及运用 | 第15-16页 |
2.2 非负矩阵分解概述 | 第16-22页 |
2.2.1 非负矩阵分解问题 | 第16-17页 |
2.2.2 非负矩阵分解迭代算法归纳 | 第17-22页 |
第三章 基于稀疏堆叠自动编码器的细胞检测 | 第22-36页 |
3.1 研究动机 | 第22页 |
3.2 本文提出的细胞检测方法 | 第22-25页 |
3.2.1 稀疏堆叠自动编码器模型 | 第22-24页 |
3.2.2 Softmax分类器 | 第24页 |
3.2.3 滑动窗口 | 第24-25页 |
3.3 实验设计 | 第25-28页 |
3.3.1 实验数据集 | 第25页 |
3.3.2 模型参数设置 | 第25-26页 |
3.3.3 对比模型设计 | 第26-27页 |
3.3.4 评价方法 | 第27-28页 |
3.4 实验结果和讨论 | 第28-35页 |
3.4.1 定性的实验结果 | 第28-32页 |
3.4.2 定量的实验结果 | 第32页 |
3.4.3 实验的效率性分析 | 第32-35页 |
3.5 本章小结 | 第35-36页 |
第四章 基于稀疏非负矩阵分解的病理图像颜色分离 | 第36-56页 |
4.1 基于比尔朗伯定律的图像表示 | 第36-37页 |
4.2 颜色分离基础 | 第37-38页 |
4.3 本文提出的基于稀疏约束的非负矩阵分解 | 第38-39页 |
4.4 算法流程 | 第39-41页 |
4.4.1 稀疏非负矩阵分解 | 第39-40页 |
4.4.2 基于形态学的细胞分割 | 第40-41页 |
4.5 实验设计 | 第41-43页 |
4.5.1 实验数据集介绍 | 第41页 |
4.5.2 DSNMF与一般的分割方法对比(CT,BRT,EM) | 第41-42页 |
4.5.3 DSNMF与其他基于去卷积的方法(PCA,ICA,MDCD,NMF) | 第42页 |
4.5.4 不同的迭代方法对实验的敏感度分析 | 第42页 |
4.5.5 稀疏性约束对实验结果的影响 | 第42-43页 |
4.5.6 评估方法 | 第43页 |
4.6 实验结果 | 第43-55页 |
4.6.1 不同的迭代方法对重构误差和迭代次数的影响 | 第43-44页 |
4.6.2 各种分解方法求得H通道比较 | 第44-45页 |
4.6.3 稀疏性约束对分离效果的影响 | 第45-49页 |
4.6.4 雌激素受体阳性乳腺癌病理图像细胞数据集上的结果 | 第49-52页 |
4.6.5 雌激素受体阳性乳腺癌病理图像淋巴细胞数据集上的结果 | 第52-55页 |
4.6.6 各方法计算效率对比 | 第55页 |
4.7 本章小结 | 第55-56页 |
第五章 结论与展望 | 第56-58页 |
5.1 本文的工作内容及创新之处 | 第56页 |
5.2 今后工作展望 | 第56-58页 |
致谢 | 第58-59页 |
参考文献 | 第59-66页 |
攻读硕士期间完成的科研情况 | 第66页 |