| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景及课题意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 语义分割技术研究现状 | 第9-11页 |
| 1.2.2 自动化细胞核分割技术研究现状 | 第11页 |
| 1.3 研究内容与组织结构 | 第11-13页 |
| 1.3.1 论文研究内容 | 第11-12页 |
| 1.3.2 论文组织结构 | 第12-13页 |
| 2 相关理论基础 | 第13-34页 |
| 2.1 深度学习技术基础 | 第13-21页 |
| 2.1.1 深度卷积网络架构 | 第13-16页 |
| 2.1.2 图像分割数据集 | 第16-19页 |
| 2.1.3 迁移学习 | 第19-21页 |
| 2.2 基于深度学习的语义分割基础 | 第21-31页 |
| 2.2.1 编码器-解码器架构 | 第23-25页 |
| 2.2.2 整合上下文内容 | 第25-31页 |
| 2.3 语义分割效果的评价指标 | 第31-33页 |
| 2.3.1 主观评价 | 第31页 |
| 2.3.2 运行时间 | 第31页 |
| 2.3.3 占用内存空间 | 第31-32页 |
| 2.3.4 准确率 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 基于深度学习的细胞核图像分割研究 | 第34-44页 |
| 3.1 引言 | 第34页 |
| 3.2 深度分割网络整体架构 | 第34-38页 |
| 3.2.1 编码器架构 | 第35-36页 |
| 3.2.2 信息聚合模块架构 | 第36-38页 |
| 3.2.3 解码器架构 | 第38页 |
| 3.3 深度分割网络详细解析 | 第38-43页 |
| 3.3.1 转置卷积 | 第38-40页 |
| 3.3.2 高层特征与底层特征融合 | 第40页 |
| 3.3.3 批归一化处理 | 第40-41页 |
| 3.3.4 迁移学习 | 第41-43页 |
| 3.3.5 深度分割网络输入归一化和损失函数 | 第43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 基于深度分割模型的细胞核自动化分割框架的实验分析 | 第44-58页 |
| 4.1 引言 | 第44页 |
| 4.2 数据集概览 | 第44-46页 |
| 4.3 图像预处理及数据集增强 | 第46-49页 |
| 4.3.1 对比度增强 | 第46-48页 |
| 4.3.2 调整图像大小 | 第48页 |
| 4.3.3 数据集增强 | 第48-49页 |
| 4.4 交叉验证训练 | 第49-50页 |
| 4.5 试验效果分析 | 第50-56页 |
| 4.5.1 实验环境 | 第50页 |
| 4.5.2 实验过程 | 第50-56页 |
| 4.6 分割结果优化 | 第56-57页 |
| 4.7 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 全文总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |