基于强特征CNN-SVM的宫颈癌细胞检测
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究方法 | 第12-14页 |
| 1.2.1 显微平台研究现状 | 第12页 |
| 1.2.2 计算机辅助宫颈癌筛查研究现状 | 第12-14页 |
| 1.3 研究现状总结 | 第14-15页 |
| 1.4 本文主要工作及思路 | 第15-17页 |
| 2 自动显微成像平台设计 | 第17-29页 |
| 2.1 设计原则与总体框图 | 第17-18页 |
| 2.2 光学显微镜及放大倍数选择 | 第18-19页 |
| 2.3 自动载物平台设计 | 第19-20页 |
| 2.4 自动对焦方法研究 | 第20-27页 |
| 2.4.1 改进多区域取窗法 | 第21-24页 |
| 2.4.2 基于多向梯度的图像清晰度评价函数 | 第24-27页 |
| 2.4.3 爬山搜索法 | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 3 基于改进随机森林算法的上皮细胞识别 | 第29-48页 |
| 3.1 图像分割 | 第29-34页 |
| 3.1.1 基于分块Otsu算法的粗分割 | 第30-32页 |
| 3.1.2 基于GVF Snake模型的二次分割 | 第32-34页 |
| 3.2 细胞图像的特征提取 | 第34-40页 |
| 3.2.1 色度特征 | 第34-36页 |
| 3.2.2 形态特征 | 第36-38页 |
| 3.2.3 纹理特征 | 第38-40页 |
| 3.3 基于人工鱼群算法优化的随机森林模型 | 第40-47页 |
| 3.3.1 随机森林算法与其参数影响分析 | 第40-42页 |
| 3.3.2 基于AFSA的特征选择与参数优化模型 | 第42-45页 |
| 3.3.3 基于改进随机森林算法的上皮细胞识别 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 基于强特征CNN-SVM的癌变上皮细胞识别 | 第48-60页 |
| 4.1 数据集扩增与良性仿射 | 第48-50页 |
| 4.2 强特征CNN-SVM网络模型 | 第50-55页 |
| 4.2.1 传统CNN与SVM概述 | 第50-53页 |
| 4.2.2 双通道网络拓扑结构 | 第53-54页 |
| 4.2.3 CNN隐含层网络构建 | 第54-55页 |
| 4.3 基于强特征CNN-SVM模型的癌细胞识别 | 第55-59页 |
| 4.3.1 强特征提取 | 第55-56页 |
| 4.3.2 多特征融合处理 | 第56-58页 |
| 4.3.3 癌变上皮细胞识别 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 实验与分析 | 第60-71页 |
| 5.1 自动对焦实验 | 第60-62页 |
| 5.2 上皮细胞识别实验 | 第62-66页 |
| 5.2.1 图像分割实验 | 第62-63页 |
| 5.2.2 基本特征提取实验 | 第63-65页 |
| 5.2.3 分类器分类及类比实验 | 第65-66页 |
| 5.3 癌变上皮细胞识别实验 | 第66-70页 |
| 5.3.1 强特征提取实验 | 第66-67页 |
| 5.3.2 多特征融合权值选取实验 | 第67-68页 |
| 5.3.3 分类器分类及类比实验 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 6 工作总结与展望 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第76-78页 |
| 学位论文数据集 | 第78页 |
