| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 引言 | 第8-9页 |
| 1.2 肿瘤的基本概念 | 第9-10页 |
| 1.3 细胞生物学基础 | 第10-11页 |
| 1.4 肿瘤细胞图像自动识别的国内外研究现状 | 第11-13页 |
| 1.4.1 国外研究现状 | 第11-12页 |
| 1.4.2 国内研究现状 | 第12-13页 |
| 1.5 本文的主要贡献 | 第13-14页 |
| 1.5.1 基于SLIC算法的癌细胞分割 | 第13页 |
| 1.5.2 基于细胞形态学特征的参数提取 | 第13-14页 |
| 1.5.3 基于随机森林算法的胸腺瘤细胞分类 | 第14页 |
| 1.6 本文的组织结构 | 第14-15页 |
| 第二章 胸腺瘤的临床特征及其组织学分类 | 第15-25页 |
| 2.1 引言 | 第15-16页 |
| 2.2 胸腺瘤的临床特征 | 第16页 |
| 2.3 胸腺瘤治疗与分期 | 第16-17页 |
| 2.3.1 胸腺瘤治疗 | 第16-17页 |
| 2.3.2 胸腺瘤TNM分期 | 第17页 |
| 2.4 胸腺瘤组织学分类 | 第17-22页 |
| 2.4.1 A型胸腺瘤 | 第19页 |
| 2.4.2 B型胸腺瘤 | 第19-22页 |
| 2.5 胸腺瘤诊断方法 | 第22-24页 |
| 2.5.1 巨检与基于H&E染色的镜检 | 第22-23页 |
| 2.5.2 免疫酶标诊断 | 第23页 |
| 2.5.3 分子诊断 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于SLIC算法的图像分割以及形态学特征提取 | 第25-42页 |
| 3.1 引言 | 第25-26页 |
| 3.2 SLIC算法分析 | 第26-27页 |
| 3.3 SLIC与类似算法的比较 | 第27-29页 |
| 3.4 实验分割效果及分析 | 第29-35页 |
| 3.4.1 实验参数的选择 | 第29-33页 |
| 3.4.2 分割效果 | 第33-35页 |
| 3.5 形态学特征的选择 | 第35-39页 |
| 3.5.1 圆度 | 第35-36页 |
| 3.5.2 基于细胞特征的长宽比 | 第36-37页 |
| 3.5.3 不规则度 | 第37-38页 |
| 3.5.4 核浆比 | 第38页 |
| 3.5.5 平均灰度值 | 第38-39页 |
| 3.6 特征提取结果和分割区域分类 | 第39-41页 |
| 3.7 本章小结 | 第41-42页 |
| 第四章 基于随机森林算法的胸腺瘤分类 | 第42-64页 |
| 4.1 引言 | 第42-43页 |
| 4.2 随机森林算法分析 | 第43-47页 |
| 4.2.1 决策树及相关概念 | 第44-45页 |
| 4.2.2 随机森林理论基础 | 第45-46页 |
| 4.2.3 随机森林分类器的构建 | 第46-47页 |
| 4.3 分类器的比较 | 第47-50页 |
| 4.3.1 Boosting分类器 | 第47-48页 |
| 4.3.2 SVM分类器 | 第48-49页 |
| 4.3.3 KNN分类器 | 第49页 |
| 4.3.4 GBTs分类器 | 第49-50页 |
| 4.4 实验流程以及数据分析 | 第50-54页 |
| 4.4.1 实验流程 | 第51-52页 |
| 4.4.2 图像数据库的产生及分析 | 第52-54页 |
| 4.5 随机森林算法的训练与测试 | 第54-60页 |
| 4.5.1 随机森林算法的训练 | 第54-55页 |
| 4.5.2 随机森林算法的测试结果 | 第55-58页 |
| 4.5.3 随机森林与SVM和KNN的对比分析 | 第58-59页 |
| 4.5.4 随机森林与GBTs的对比分析 | 第59-60页 |
| 4.6 实验结果和分析 | 第60-62页 |
| 4.7 本章小结 | 第62-64页 |
| 第五章 总结与展望 | 第64-67页 |
| 5.1 本文工作的总结 | 第64-65页 |
| 5.2 未来工作的展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72页 |