组织病理切片图像自动检测算法研究与实现
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 病理细胞图像处理的研究现状 | 第11-17页 |
| 1.2.1 细胞图像分割技术 | 第12-15页 |
| 1.2.2 细胞图像特征及分类技术 | 第15-17页 |
| 1.3 研究内容及安排 | 第17-19页 |
| 第2章 乳腺癌细胞的特点及图像的获取 | 第19-24页 |
| 2.1 乳腺癌的形成及癌症细胞的特征 | 第19-20页 |
| 2.1.1 乳腺癌的形成和癌细胞的特征 | 第19页 |
| 2.1.2 乳腺癌细胞的特征 | 第19-20页 |
| 2.2 免疫组化图像分类 | 第20-21页 |
| 2.3 乳腺癌细胞图像的获取 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 数字病理学图像细胞分割 | 第24-39页 |
| 3.1 细胞图像预处理 | 第24-30页 |
| 3.1.1 颜色反卷积算法 | 第24-26页 |
| 3.1.2 最大类间差法 | 第26-28页 |
| 3.1.3 多尺度形态学重建处理 | 第28-30页 |
| 3.2 多尺度多标记控制的分水岭分割 | 第30-33页 |
| 3.2.1 快速径向对称变换 | 第30-32页 |
| 3.2.2 H-minima变换 | 第32-33页 |
| 3.3 多尺度区域合并 | 第33-34页 |
| 3.4 仿真分析 | 第34-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 乳腺癌症细胞的分类 | 第39-72页 |
| 4.1 细胞图像的特征提取 | 第39-47页 |
| 4.1.1 局部二值模式 | 第41-45页 |
| 4.1.2 微观配置模型 | 第45-47页 |
| 4.2 极限学习机的基本原理 | 第47-53页 |
| 4.2.1 传统SLFNs | 第48-49页 |
| 4.2.2 ELM算法基本原理 | 第49-53页 |
| 4.3 改进的ELM算法 | 第53-69页 |
| 4.3.2 改进ELM算法的收敛证明及分析 | 第55-62页 |
| 4.3.3 改进极限学习机算法的性能测试 | 第62-69页 |
| 4.4 仿真分析 | 第69-71页 |
| 4.5 本章总结 | 第71-72页 |
| 第5章 总结与展望 | 第72-74页 |
| 5.1 论文总结 | 第72-73页 |
| 5.2 展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间发表的学术论文 | 第79页 |
