深度学习下的宫颈细胞病理分析
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 卷积神经网络基本原理 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 卷积操作 | 第16-17页 |
| 2.3 池化操作 | 第17-19页 |
| 2.4 卷积神经网络学习过程 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 基于卷积神经网络的宫颈细胞图像分类 | 第22-38页 |
| 3.1 引言 | 第22页 |
| 3.2 基于VGGNet的宫颈细胞图像分类 | 第22-26页 |
| 3.2.1 网络结构 | 第22-23页 |
| 3.2.2 数据集 | 第23-24页 |
| 3.2.3 实验结果与分析 | 第24-26页 |
| 3.3 基于ResNet的宫颈细胞图像分类 | 第26-31页 |
| 3.3.1 深度残差网络的设计思想与实现方式 | 第26-27页 |
| 3.3.2 网络结构 | 第27-28页 |
| 3.3.3 数据集 | 第28-29页 |
| 3.3.4 实验结果与分析 | 第29-31页 |
| 3.4 ResNet分类器方案的测试结果 | 第31-37页 |
| 3.4.1 数据扩充 | 第31页 |
| 3.4.2 与SVM的对比测试 | 第31-34页 |
| 3.4.3 临床数据对比测试 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于全卷积神经网络的宫颈细胞图像分割 | 第38-59页 |
| 4.1 引言 | 第38页 |
| 4.2 基于全卷积网络的宫颈细胞图像分割 | 第38-46页 |
| 4.2.1 反卷积操作 | 第38-39页 |
| 4.2.2 网络结构 | 第39-40页 |
| 4.2.3 数据集 | 第40-43页 |
| 4.2.4 实验结果与分析 | 第43-46页 |
| 4.3 基于SegNet的宫颈细胞图像分割 | 第46-49页 |
| 4.3.1 SegNet的改进之处 | 第46页 |
| 4.3.2 网络结构 | 第46-47页 |
| 4.3.3 实验结果与分析 | 第47-49页 |
| 4.4 基于SegNet定位的宫颈细胞检测方法 | 第49-57页 |
| 4.4.1 检测方法具体步骤 | 第49-50页 |
| 4.4.2 质心计算与坐标变换 | 第50-52页 |
| 4.4.3 实验结果与分析 | 第52-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 论文工作总结 | 第59-60页 |
| 5.2 进一步研究方向 | 第60-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 作者简介 | 第67页 |
