| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 获取感兴趣检测单元 | 第15页 |
| 1.2.2 特征提取 | 第15-16页 |
| 1.2.3 分类器识别异常 | 第16-17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 1.4 本文的结构安排 | 第18-20页 |
| 第2章 医学内窥镜图像的特征提取方法 | 第20-38页 |
| 2.1 概述 | 第20-21页 |
| 2.2 获取感兴趣检测单元 | 第21-23页 |
| 2.3 传统特征提取 | 第23-26页 |
| 2.3.1 颜色特征提取 | 第23-24页 |
| 2.3.2 纹理特征提取 | 第24-26页 |
| 2.4 全局辅助特征提取 | 第26-27页 |
| 2.5 卷积神经网络特征提取 | 第27-34页 |
| 2.5.1 深度学习背景概述 | 第27-29页 |
| 2.5.2 卷积神经网络特征提取 | 第29-34页 |
| 2.6 基于梯度提升树模型的特征融合 | 第34-36页 |
| 2.7 本章小结 | 第36-38页 |
| 第3章 结合代价敏感的异常检测技术 | 第38-52页 |
| 3.1 概述 | 第38页 |
| 3.2 代价敏感技术背景 | 第38-40页 |
| 3.2.1 调整标签分布 | 第39页 |
| 3.2.2 代价敏感学习 | 第39-40页 |
| 3.3 代价敏感的异常检测 | 第40页 |
| 3.4 代价敏感的检测模型 | 第40-45页 |
| 3.4.1 背景概述 | 第40-41页 |
| 3.4.2 支持向量机 | 第41-44页 |
| 3.4.3 代价敏感的支持向量机模型 | 第44-45页 |
| 3.5 代价敏感的模型评价指标 | 第45-50页 |
| 3.5.1 传统的模型评价指标 | 第46-48页 |
| 3.5.2 基于局部ROC曲线截面积的模型评价指标 | 第48-50页 |
| 3.6 本章小结 | 第50-52页 |
| 第4章 实验方案与结果 | 第52-58页 |
| 4.1 实验方案 | 第52页 |
| 4.2 不同特征的异常检测表现 | 第52-54页 |
| 4.3 代价敏感的模型评价指标 | 第54-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 总结和展望 | 第58-60页 |
| 5.1 论文总结 | 第58-59页 |
| 5.2 未来研究展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 在读期间发表的学术论文与取得的研究成果 | 第68页 |