胎盘成熟度自动分级探索
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 胎盘成熟度自动分级的临床背景与研究意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 传统机器学习方法 | 第11-12页 |
| 1.2.2 深度学习方法 | 第12页 |
| 1.3 论文研究内容与研究难点 | 第12-13页 |
| 1.4 论文主要研究思路 | 第13页 |
| 1.5 论文框架结构 | 第13-15页 |
| 第2章 基于传统机器学习的自动分级算法 | 第15-21页 |
| 2.1 算法框架 | 第15-16页 |
| 2.2 特征提取 | 第16-17页 |
| 2.3 特征编码 | 第17-19页 |
| 2.4 分类器 | 第19页 |
| 2.5 本章小结 | 第19-21页 |
| 第3章 传统机器学习方法实验与分析 | 第21-27页 |
| 3.1 评估参数 | 第21页 |
| 3.2 实验与分析 | 第21-26页 |
| 3.2.1 实验设置 | 第21-22页 |
| 3.2.2 实验结果 | 第22-25页 |
| 3.2.3 结果分析 | 第25-26页 |
| 3.3 本章小结 | 第26-27页 |
| 第4章 卷积神经网络相关理论 | 第27-32页 |
| 4.1 算法框架 | 第27页 |
| 4.2 卷积 | 第27-28页 |
| 4.3 降采样 | 第28-29页 |
| 4.4 激活函数 | 第29-30页 |
| 4.5 本章小结 | 第30-32页 |
| 第5章 基于CNN的自动分级算法 | 第32-44页 |
| 5.1 技术细节 | 第32-38页 |
| 5.1.1 数据扩充 | 第32-33页 |
| 5.1.2 迁移学习 | 第33页 |
| 5.1.3 特征可视化 | 第33-38页 |
| 5.2 实验 | 第38-43页 |
| 5.2.1 实验设置 | 第38页 |
| 5.2.2 实验结果 | 第38-43页 |
| 5.2.3 结果分析 | 第43页 |
| 5.3 本章小结 | 第43-44页 |
| 第6章 总结与展望 | 第44-46页 |
| 6.1 论文总结 | 第44页 |
| 6.2 论文的主要贡献 | 第44-45页 |
| 6.3 前景展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-51页 |
| 攻读硕士学位期间的研究成果 | 第51页 |
