基于机器学习的病理细胞辅助检测方法研究
摘要 | 第5-6页 |
abstract | 第6页 |
第一章 绪论 | 第10-14页 |
1.1 研究背景与意义 | 第10-11页 |
1.2 国内外研究历史与现状 | 第11-12页 |
1.3 本文的主要工作 | 第12-13页 |
1.4 本论文的结构安排 | 第13-14页 |
第二章 病理细胞辅助检测相关技术介绍 | 第14-25页 |
2.1 图像预处理技术 | 第14-16页 |
2.1.1 图像灰度化 | 第14-15页 |
2.1.2 图像去噪 | 第15-16页 |
2.2 特征降维技术 | 第16-18页 |
2.3 机器学习方法 | 第18-22页 |
2.3.1 支持向量机 | 第18-19页 |
2.3.2 决策树 | 第19-20页 |
2.3.3 人工神经网络 | 第20-22页 |
2.4 分类器评价 | 第22-24页 |
2.4.1 评价方法 | 第22页 |
2.4.2 评价指标 | 第22-24页 |
2.5 本章小结 | 第24-25页 |
第三章 病理细胞图像分割 | 第25-36页 |
3.1 活动轮廓模型 | 第25页 |
3.2 基于水平集的几何活动轮廓模型 | 第25-29页 |
3.2.1 曲线演化理论 | 第25-26页 |
3.2.2 水平集方法 | 第26-29页 |
3.3 CHAN-VESE模型 | 第29-31页 |
3.4 实验结果与分析 | 第31-34页 |
3.5 本章小结 | 第34-36页 |
第四章 病理细胞的特征参数提取与分析 | 第36-51页 |
4.1 宫颈细胞的特征参数 | 第36-45页 |
4.1.1 基于八邻域链码的形态特征提取 | 第37-40页 |
4.1.2 色度特征提取 | 第40-41页 |
4.1.3 基于灰度共生矩阵的纹理特征提取 | 第41-44页 |
4.1.4 改进的灰度共生矩阵 | 第44-45页 |
4.1.5 实验结果及分析 | 第45页 |
4.2 宫颈细胞的特征分析与选择 | 第45-47页 |
4.2.1 标准化预处理 | 第46页 |
4.2.2 基于启发式搜索的特征选择 | 第46-47页 |
4.3 实验结果及分析 | 第47-50页 |
4.4 本章小结 | 第50-51页 |
第五章 病理细胞的分类识别技术研究 | 第51-77页 |
5.1 基于遗传算法改进的SVM分类技术 | 第51-57页 |
5.1.1 核函数 | 第51页 |
5.1.2 多分类问题 | 第51-52页 |
5.1.3 遗传算法 | 第52-55页 |
5.1.4 面向宫颈细胞的GA-SVM分类识别 | 第55-57页 |
5.2 基于改进粒子群算法的BP神经网络 | 第57-72页 |
5.2.1 BP神经网络 | 第57-64页 |
5.2.2 粒子群优化算法 | 第64-67页 |
5.2.3 改进的粒子群优化算法 | 第67-69页 |
5.2.4 改进算法实验结果及分析 | 第69-72页 |
5.3 实验结果及分析 | 第72-76页 |
5.4 本章小结 | 第76-77页 |
第六章 全文总结与展望 | 第77-79页 |
6.1 全文总结 | 第77页 |
6.2 后续工作展望 | 第77-79页 |
致谢 | 第79-80页 |
参考文献 | 第80-84页 |