| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 深度学习在医学图像领域的研究现状 | 第14-16页 |
| 1.2.2 深度学习在皮肤疾病图像领域的研究现状 | 第16-17页 |
| 1.3 论文主要研究内容及结构 | 第17-19页 |
| 第2章 识别方法框架和图像库建立 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 基于深度学习的皮肤疾病识别方法的框架 | 第19-20页 |
| 2.3 皮肤疾病图像库 | 第20-23页 |
| 2.3.1 皮肤镜图像集 | 第21-22页 |
| 2.3.2 临床图像数据集 | 第22-23页 |
| 2.4 图像预处理 | 第23-28页 |
| 2.4.1 颜色空间变换 | 第23-24页 |
| 2.4.2 基于中值滤波的图像去噪算法 | 第24-25页 |
| 2.4.3 基于直方图均衡化的图像增强算法 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于深度学习的皮肤疾病分类算法 | 第29-55页 |
| 3.1 引言 | 第29页 |
| 3.2 卷积神经网络 | 第29-37页 |
| 3.2.1 基础网络结构 | 第29-30页 |
| 3.2.2 卷积层 | 第30-33页 |
| 3.2.3 差异化程度—损失函数 | 第33-35页 |
| 3.2.4 正反向传播—参数更新 | 第35-37页 |
| 3.3 深度学习框架选择 | 第37-39页 |
| 3.4 卷积神经网络模型选择 | 第39-50页 |
| 3.4.1 AlexNet | 第39-40页 |
| 3.4.2 VGGNet | 第40-41页 |
| 3.4.3 GoogleNet | 第41-43页 |
| 3.4.4 ResNet | 第43-45页 |
| 3.4.5 DenseNet | 第45-46页 |
| 3.4.6 直接训练数据集结果对比分析 | 第46-50页 |
| 3.5 训练方式改进——迁移学习 | 第50-52页 |
| 3.6 迁移学习实验结果对比分析 | 第52-53页 |
| 3.7 本章小结 | 第53-55页 |
| 第4章 CNN模型训练优化和结果分析 | 第55-70页 |
| 4.1 模型优化策略 | 第55-60页 |
| 4.1.1 改进的激活函数 | 第55-58页 |
| 4.1.2 防止过拟合 | 第58-60页 |
| 4.2 空间金字塔池化 | 第60-63页 |
| 4.2.1 池化层 | 第61页 |
| 4.2.2 空间金字塔池化 | 第61-63页 |
| 4.3 基于INCEPTION改进的VGG模型结构 | 第63-64页 |
| 4.4 支持向量机 | 第64-67页 |
| 4.4.1 SVM | 第64-67页 |
| 4.4.2 SVM和softmax对比 | 第67页 |
| 4.5 模型改进后实验结果对比分析 | 第67-68页 |
| 4.6 本章小结 | 第68-70页 |
| 第5章 基于CNN的皮肤疾病图片识别系统开发与验证 | 第70-76页 |
| 5.1 系统模块设计 | 第70-71页 |
| 5.2 系统模型实现 | 第71-73页 |
| 5.3 系统验证及结果分析 | 第73-75页 |
| 5.4 本章小结 | 第75-76页 |
| 第6章 总结与展望 | 第76-78页 |
| 6.1 工作总结 | 第76-77页 |
| 6.2 工作展望 | 第77-78页 |
| 参考文献 | 第78-82页 |