| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 主要符号说明 | 第8-9页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 深度学习国内外研究现状 | 第10-11页 |
| 1.2.2 CNN在肿瘤细胞图像识别领域的国内外研究现状 | 第11-12页 |
| 1.2.3 DN在肿瘤细胞图像识别领域的国内外研究现状 | 第12页 |
| 1.3 胃肿瘤细胞图像及其特点 | 第12-15页 |
| 1.4 论文内容和结构 | 第15-17页 |
| 1.4.1 论文主要内容 | 第15-16页 |
| 1.4.2 论文组织结构 | 第16-17页 |
| 第二章 深度学习理论 | 第17-30页 |
| 2.1 引言 | 第17页 |
| 2.2 卷积神经网络 | 第17-21页 |
| 2.2.1 CNN结构 | 第17-19页 |
| 2.2.2 CNN实例LeNet-5 | 第19-20页 |
| 2.2.3 CNN训练过程 | 第20-21页 |
| 2.3 自适应反卷积网络 | 第21-27页 |
| 2.3.1 模型描述 | 第21-26页 |
| 2.3.2 推理特征图 | 第26页 |
| 2.3.3 学习过程 | 第26-27页 |
| 2.4 空间金字塔匹配 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于CNN的肿瘤细胞图像识别 | 第30-39页 |
| 3.1 引言 | 第30页 |
| 3.2 构建CNN模型 | 第30-33页 |
| 3.2.1 图像预处理 | 第30页 |
| 3.2.2 CNN结构 | 第30-32页 |
| 3.2.3 工作步骤 | 第32-33页 |
| 3.3 对模型的优化 | 第33-34页 |
| 3.3.1 防止过拟合 | 第33页 |
| 3.3.2 预训练Pre-training | 第33-34页 |
| 3.4 实验结果与分析 | 第34-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于ADN和SPM的肿瘤细胞图像识别 | 第39-49页 |
| 4.1 引言 | 第39页 |
| 4.2 研究基础 | 第39-40页 |
| 4.2.1 必要性分析 | 第39-40页 |
| 4.2.2 可行性分析 | 第40页 |
| 4.3 ADN+SPM分类方法 | 第40-43页 |
| 4.3.1 ADN结构 | 第40-41页 |
| 4.3.2 SPM分类过程 | 第41-42页 |
| 4.3.3 基于ADN和SPM的分类模型 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-47页 |
| 4.4.1 分类与重构的关系 | 第44-45页 |
| 4.4.2 开关的作用 | 第45-46页 |
| 4.4.3 分类结果 | 第46-47页 |
| 4.5 与浅层学习方法比较 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 主要工作回顾 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 个人简历 在读期间发表的学术论文 | 第54-55页 |
| 致谢 | 第55页 |