| 中文摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 引言 | 第9-13页 |
| 1.1 人工智能与计算机视觉 | 第9页 |
| 1.2 传统机器学习算法及其在医学中的应用 | 第9-10页 |
| 1.3 卷积神经网络及其在皮肤病中的应用 | 第10-12页 |
| 1.4 面部寻常痤疮的分级评估现状及应用神经网络的意义 | 第12-13页 |
| 材料及方法 | 第13-27页 |
| 2.1 寻常痤疮的严重程度评价标准 | 第13-17页 |
| 2.1.1 理想的评价标准需满足的条件 | 第13-15页 |
| 2.1.2 评价部位的选择 | 第15-16页 |
| 2.1.3 评价标准的选定 | 第16-17页 |
| 2.2 临床图像资料收集 | 第17-18页 |
| 2.3 构建网络模型 | 第18-25页 |
| 2.3.1 构建模型思路 | 第18-19页 |
| 2.3.2 深度残差网络 | 第19-21页 |
| 2.3.3 Faster-RCNN | 第21-25页 |
| 2.4 图像分级与标注 | 第25-27页 |
| 2.4.1 严重程度分级 | 第25页 |
| 2.4.2 图像标注 | 第25-27页 |
| 实验结果 | 第27-38页 |
| 3.1 临床资料基本情况 | 第27页 |
| 3.2 严重程度分级结果 | 第27页 |
| 3.3 数据集分类情况 | 第27页 |
| 3.4 标注边框数量分布 | 第27-28页 |
| 3.5 ResNet预测分级结果 | 第28-33页 |
| 3.5.1 分级结果可视化示例 | 第28-29页 |
| 3.5.2 混淆矩阵 | 第29页 |
| 3.5.3 评价图像分类性能的统计指标 | 第29-30页 |
| 3.5.4 接受者工作特征曲线及曲线下面积 | 第30-33页 |
| 3.6 Faster R-CNN检测及分级结果 | 第33-38页 |
| 3.6.1 分类灵敏度(召回率)及精确度 | 第33-35页 |
| 3.6.2 混淆矩阵 | 第35页 |
| 3.6.3 检测结果可视化示例 | 第35-38页 |
| 讨论 | 第38-40页 |
| 4.1 ResNet分级性能 | 第38-39页 |
| 4.2 Faster R-CNN的分级性能 | 第39-40页 |
| 4.3 图像分类与物体检测的分级性能对比 | 第40页 |
| 总结与展望 | 第40-42页 |
| 参考文献 | 第42-45页 |
| 附录 | 第45-54页 |
| 7.1 主要符号对照表 | 第45-46页 |
| 7.2 ResNet预测分级结果 | 第46-54页 |
| 文献综述 | 第54-62页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |