基于深度学习的粗标记胃癌病理切片图像分割算法
| 摘要 | 第5-7页 |
| Abstracts | 第7-8页 |
| 第1章 绪论 | 第11-14页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 本文的研究内容及主要贡献 | 第12-13页 |
| 1.3 本文的结构组织 | 第13-14页 |
| 第2章 深度学习与医学图像分割概述 | 第14-30页 |
| 2.1 图像分割算法综述 | 第14-18页 |
| 2.1.1 图像分割算法的定义 | 第14页 |
| 2.1.2 传统图像分割算法 | 第14-18页 |
| 2.2 卷积神经网络 | 第18-22页 |
| 2.2.1 基本概念 | 第18-19页 |
| 2.2.2 卷积神经网络的特性 | 第19-22页 |
| 2.3 图像语义分割算法 | 第22-26页 |
| 2.3.1 基于全卷积神经网络的图像语义分割 | 第22-24页 |
| 2.3.2 基于生成式对抗网络的图像语义分割 | 第24-26页 |
| 2.4 医学图像分割算法的研究现状 | 第26-29页 |
| 2.4.1 基于图块的医学图像分割 | 第26-27页 |
| 2.4.2 基于全卷积神经网络的生物医学图像分割 | 第27-28页 |
| 2.4.3 基于生成对抗网络的生物医学图像分割 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 数据获取与处理 | 第30-37页 |
| 3.1 数字病理切片 | 第30页 |
| 3.2 数据获取及特点 | 第30-31页 |
| 3.3 数据预处理 | 第31-34页 |
| 3.3.1 数据去噪 | 第32-33页 |
| 3.3.2 数据增强 | 第33-34页 |
| 3.4 数据标注软件的开发 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于半监督学习的图像分割算法DVNet | 第37-52页 |
| 4.1 基于图块的全卷积神经网络DVNet | 第37-43页 |
| 4.1.1 图块提取 | 第37页 |
| 4.1.2 深度神经网络整体架构 | 第37-38页 |
| 4.1.3 深度神经网络详细解析 | 第38-42页 |
| 4.1.4 深度神经网络的损失函数 | 第42-43页 |
| 4.2 区域重叠预测机制 | 第43-45页 |
| 4.3 全连接条件随机场 | 第45-48页 |
| 4.3.1 随机场 | 第45页 |
| 4.3.2 Markov随机场(MRF) | 第45-46页 |
| 4.3.3 条件随机场(CRF) | 第46-48页 |
| 4.4 基于重复学习的训练系统 | 第48-51页 |
| 4.4.1 主动学习 | 第48-49页 |
| 4.4.2 重复学习 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 实验结果及分析 | 第52-65页 |
| 5.1 软硬件环境配置 | 第52-53页 |
| 5.1.1 硬件配置 | 第52页 |
| 5.1.2 软件配置 | 第52-53页 |
| 5.2 训练细节 | 第53-54页 |
| 5.3 评价标准 | 第54页 |
| 5.4 基础网络在CamVid上的实验结果分析 | 第54-57页 |
| 5.5 区域重叠预测算法 | 第57-58页 |
| 5.6 全连接条件随机场 | 第58-59页 |
| 5.7 重复学习 | 第59-63页 |
| 5.8 本章小结 | 第63-65页 |
| 总结与展望 | 第65-67页 |
| 全文工作总结 | 第65-66页 |
| 研究展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 附录A(攻读学位期间所发表的学术论文目录) | 第73页 |
