基于流行学习的淋巴瘤组织病理图像分类研究
| 中文摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·淋巴瘤组织病理图像模式分类的研究意义 | 第9-10页 |
| ·病理图像模式分类的研究现状 | 第10页 |
| ·本文主要工作 | 第10-11页 |
| ·论文的组织结构 | 第11-12页 |
| ·本章小结 | 第12-13页 |
| 第二章 流形学习方法 | 第13-22页 |
| ·流形与流形学习概念 | 第13-14页 |
| ·传统的线性降维方法 | 第14-18页 |
| ·主成分分析方法(PCA) | 第14-15页 |
| ·线性判别分析方法(LDA) | 第15-17页 |
| ·经典多维尺度分析方法(CMDS) | 第17-18页 |
| ·典型的流形学习方法 | 第18-21页 |
| ·等距映射方法(ISOMAP) | 第18-19页 |
| ·局部线性嵌入方法(LLE) | 第19-20页 |
| ·拉普拉斯特征映射方法(LE) | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 淋巴瘤组织病理图像特征提取 | 第22-35页 |
| ·淋巴瘤组织病理图像的特点 | 第22-23页 |
| ·颜色特征提取 | 第23-30页 |
| ·颜色空间模型的选取 | 第23-25页 |
| ·颜色特征的表示 | 第25页 |
| ·HSV 颜色空间的量化 | 第25-27页 |
| ·均匀分块 HSV 颜色直方图特征提取 | 第27-28页 |
| ·实验结果与分析 | 第28-30页 |
| ·基于 LBP 的纹理特征提取 | 第30-34页 |
| ·LBP 的纹理特征描述 | 第30-31页 |
| ·基本 LBP 算法 | 第31-33页 |
| ·“Uniform”模式 LBP 算法 | 第33页 |
| ·实验结果与分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 淋巴瘤组织病理图像特征降维 | 第35-45页 |
| ·引言 | 第35页 |
| ·监督学习的核拉普卡拉斯特征映射方法(SKLE) | 第35-40页 |
| ·核空间的距离度量 | 第36-37页 |
| ·监督学习度量 | 第37-38页 |
| ·SKLE 算法 | 第38-39页 |
| ·仿真实验与结果分析 | 第39-40页 |
| ·基于 SKLE 的淋巴瘤组织病理图像特征降维 | 第40-44页 |
| ·本征维数估计 | 第40-41页 |
| ·降维评价 | 第41-43页 |
| ·实验结果与分析 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 淋巴瘤病理图像分类系统设计 | 第45-53页 |
| ·引言 | 第45页 |
| ·神经网络分类器 | 第45-47页 |
| ·BP 神经网络 | 第47-51页 |
| ·BP 神经网络模型和结构 | 第47-48页 |
| ·BP 神经网络算法 | 第48-51页 |
| ·试验设计与结果分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 总结与展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第58-59页 |
| 致谢 | 第59页 |
