深度学习在液基宫颈细胞标本描述中的应用
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 选题背景及研究意义 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 创新点 | 第10页 |
| 1.4 本文的主要工作及结构安排 | 第10-12页 |
| 1.4.1 主要工作 | 第10页 |
| 1.4.2 结构安排 | 第10-12页 |
| 第2章 卷积神经网络简介 | 第12-21页 |
| 2.1 卷积神经网络结构 | 第12-13页 |
| 2.2 卷积层 | 第13-17页 |
| 2.2.1 卷积意义 | 第13-15页 |
| 2.2.2 卷积计算方式 | 第15-17页 |
| 2.3 整流线性单元 | 第17-18页 |
| 2.4 池化 | 第18页 |
| 2.5 全连接层 | 第18-19页 |
| 2.6 softmax层 | 第19-20页 |
| 2.7 训练经验 | 第20页 |
| 2.8 本章小结 | 第20-21页 |
| 第3章 深度学习可行性分析 | 第21-31页 |
| 3.1 监督学习分类CIFAR-0_4数据集 | 第21-24页 |
| 3.1.1 卷积神经网络 | 第21-23页 |
| 3.1.2 全连接网络 | 第23-24页 |
| 3.2 添加其他层 | 第24-28页 |
| 3.2.1 批标准化对CNN的影响 | 第24-26页 |
| 3.2.2 dropout对CNN的影响 | 第26-28页 |
| 3.2.3 多次测试结果对比 | 第28页 |
| 3.3 迁移学习分类CIFAR-5_9数据集 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 标本描述数据分类 | 第31-39页 |
| 4.1 正常标本 | 第31-32页 |
| 4.2 细胞数少标本 | 第32-34页 |
| 4.3 菌群失调 | 第34页 |
| 4.4 炎症标本 | 第34-35页 |
| 4.5 萎缩性改变标本 | 第35-36页 |
| 4.6 其他需要筛查的图像 | 第36-38页 |
| 4.6.1 细胞边缘区域的图像 | 第36页 |
| 4.6.2 模糊不清 | 第36-37页 |
| 4.6.3 过曝光或欠曝光 | 第37-38页 |
| 4.7 标签化处理 | 第38页 |
| 4.8 本章小结 | 第38-39页 |
| 第5章 标本描述分类实验 | 第39-52页 |
| 5.1 图像预处理 | 第39-40页 |
| 5.2 监督学习分类标本描述数据集 | 第40-47页 |
| 5.2.1 过滤器神经科学基础 | 第42-44页 |
| 5.2.2 标本描述监督学习训练过滤器 | 第44-45页 |
| 5.2.3 检测结果 | 第45-47页 |
| 5.3 迁移学习分类标本描述数据集 | 第47-51页 |
| 5.3.1 标本描述迁移学习过滤器 | 第48-49页 |
| 5.3.2 检测结果 | 第49-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 工作总结 | 第52-53页 |
| 6.2 问题与展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 发表论文和参与科研情况说明 | 第57-58页 |
| 致谢 | 第58-59页 |
