| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景和研究意义 | 第8-9页 |
| 1.2 国内外研究现状和发展趋势 | 第9-12页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-12页 |
| 1.3 研究目标和思路 | 第12页 |
| 1.4 论文结构安排 | 第12-14页 |
| 2 机器学习与深度学习方法理论 | 第14-31页 |
| 2.1 机器学习 | 第14-16页 |
| 2.2 深度学习 | 第16-18页 |
| 2.3 人工神经网络 | 第18-24页 |
| 2.4 卷积神经网络 | 第24-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 白细胞图像分割方法研究 | 第31-44页 |
| 3.1 外周血细胞图像预处理 | 第31-35页 |
| 3.1.1 图像滤波 | 第32-33页 |
| 3.1.2 色彩空间转换 | 第33-35页 |
| 3.2 基于细胞核的白细胞定位与分割 | 第35-41页 |
| 3.2.1 细胞核定位 | 第35-39页 |
| 3.2.2 白细胞图像分割方法 | 第39-41页 |
| 3.3 实验结果及分析 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 基于深度学习的白细胞分类识别方法 | 第44-64页 |
| 4.1 外周血细胞形态及图像分析 | 第44-49页 |
| 4.2 数据扩增和数据集的建立 | 第49-51页 |
| 4.3 深度学习框架及开发环境介绍 | 第51页 |
| 4.4 白细胞分类识别方法总体流程 | 第51-53页 |
| 4.5 白细胞分类模型的网络架构与训练方法 | 第53-56页 |
| 4.5.1 LCNet网络架构 | 第53-54页 |
| 4.5.2 打乱输入训练集顺序 | 第54-55页 |
| 4.5.3 学习率设置 | 第55-56页 |
| 4.5.4 Batch Normalization算法 | 第56页 |
| 4.5.5 dropout策略 | 第56页 |
| 4.6 实验结果与分析 | 第56-63页 |
| 4.6.1 实验评价指标 | 第56-58页 |
| 4.6.2 实验结果分析 | 第58-63页 |
| 4.7 本章小结 | 第63-64页 |
| 5 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录 | 第71页 |