| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文研究内容及组织结构 | 第13-15页 |
| 第二章 深度卷积神经网络基本理论 | 第15-27页 |
| 2.1 神经网络原理 | 第15-20页 |
| 2.1.1 神经网络模型 | 第15-16页 |
| 2.1.2 误差逆传播算法 | 第16-20页 |
| 2.2 深度卷积神经网络 | 第20-26页 |
| 2.2.1 基本网络结构 | 第20-23页 |
| 2.2.2 网络训练 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于Segnet的结直肠病理图像的腺体分割方法 | 第27-43页 |
| 3.1 结直肠病理数据集的获取与扩充 | 第27-31页 |
| 3.1.1 Warwick-QU数据集 | 第27-29页 |
| 3.1.2 数据扩充 | 第29-31页 |
| 3.2 腺体分割方法的研究 | 第31-37页 |
| 3.2.1 Segnet介绍 | 第31-34页 |
| 3.2.2 Segnet配置 | 第34-35页 |
| 3.2.3 网络训练 | 第35页 |
| 3.2.4 腺体分割的两种评价指标 | 第35-37页 |
| 3.3 测试与实验结果分析 | 第37-41页 |
| 3.3.1 实验设置 | 第37-38页 |
| 3.3.2 结果与分析 | 第38-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 多特征描述下的结直肠病理辅助诊断方法 | 第43-61页 |
| 4.1 结直肠病理辅助诊断指标 | 第43-44页 |
| 4.2 结直肠病理图像特征提取方法 | 第44-53页 |
| 4.2.1 轮廓特征 | 第44-46页 |
| 4.2.2 颜色特征 | 第46-49页 |
| 4.2.3 纹理特征 | 第49-53页 |
| 4.3 基于SVM的结直肠病理辅助诊断方法 | 第53-58页 |
| 4.3.1 SVM分类器 | 第53-55页 |
| 4.3.2 结直肠病理辅助诊断算法的设计 | 第55-58页 |
| 4.4 对比实验研究 | 第58-60页 |
| 4.4.1 实验设置 | 第58页 |
| 4.4.2 结果与分析 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 基于深度学习的结直肠病理辅助诊断方法 | 第61-71页 |
| 5.1 深度学习网络模型 | 第61-64页 |
| 5.1.1 CIFAR网络 | 第61-63页 |
| 5.1.2 VGG网络 | 第63-64页 |
| 5.2 基于深度学习的结直肠病理辅助诊断方法 | 第64-66页 |
| 5.2.1 网络配置 | 第64-65页 |
| 5.2.2 网络训练 | 第65-66页 |
| 5.3 对比实验研究 | 第66-69页 |
| 5.3.1 实验设置 | 第66页 |
| 5.3.2 结果与分析 | 第66-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 致谢 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士期间的研究成果 | 第79页 |