| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究工作的背景与意义 | 第10-12页 |
| 1.2 国内外研究历史与现状 | 第12-16页 |
| 1.2.1 基于弱监督学习的目标分割现状 | 第13-14页 |
| 1.2.2 病理图像分割研究现状: | 第14-16页 |
| 1.3 本文的主要贡献与创新 | 第16-17页 |
| 1.4 本论文的结构安排 | 第17-18页 |
| 第二章 相关理论和背景知识介绍 | 第18-44页 |
| 2.1 病理图像 | 第19-20页 |
| 2.2 神经网络 | 第20-32页 |
| 2.2.1 神经元模型 | 第21-23页 |
| 2.2.2 神经网络的矩阵表示 | 第23-24页 |
| 2.2.3 激活函数 | 第24-28页 |
| 2.2.4 前向传播和误差的反向传播算法 | 第28-32页 |
| 2.3 卷积神经网络 | 第32-43页 |
| 2.3.1 卷积 | 第33-35页 |
| 2.3.2 池化 | 第35-37页 |
| 2.3.3 全连接层 | 第37-38页 |
| 2.3.4 归一化处理 | 第38-41页 |
| 2.3.5 损失函数 | 第41-43页 |
| 2.4 本章小结 | 第43-44页 |
| 第三章 基于全监督的卷积神经网络框架的细胞核分割 | 第44-75页 |
| 3.1 数据集介绍 | 第44-46页 |
| 3.2 评价指标介绍 | 第46-48页 |
| 3.2.1 平均对称的表面距离 | 第46-47页 |
| 3.2.2 Dice评价指标 | 第47页 |
| 3.2.3 霍夫距离(Hausdorff distance)评价指标 | 第47页 |
| 3.2.4 交并比(IOU/Aji)评价指标 | 第47-48页 |
| 3.3 FCN全卷积神经网络的分割 | 第48-50页 |
| 3.4 U-net类网络的分割 | 第50-59页 |
| 3.4.1 Unet分割 | 第50-52页 |
| 3.4.2 attention Unet的分割 | 第52-55页 |
| 3.4.3 Unet++的分割 | 第55-57页 |
| 3.4.4 Unet3plus的分割 | 第57-59页 |
| 3.5 deeplabv3+网络的分割 | 第59-68页 |
| 3.5.1 deeplabv1 | 第59-61页 |
| 3.5.2 deeplabv2和deeplav3 结构 | 第61-66页 |
| 3.5.3 Deelabv3 plus | 第66-68页 |
| 3.6 DB-unet网络的分割 | 第68-71页 |
| 3.7 实验结果 | 第71-74页 |
| 3.8 本章总结 | 第74-75页 |
| 第四章 基于bounding box的弱监督的细胞核分割 | 第75-100页 |
| 4.1 基于检测框的弱监督的病理图像细胞核分割流程 | 第76-77页 |
| 4.2 伪标签的生成方法 | 第77-85页 |
| 4.2.1 图割(grabcut)算法 | 第77-81页 |
| 4.2.2 分水岭算法 | 第81-83页 |
| 4.2.3 GEOcut算法 | 第83-84页 |
| 4.2.4 Levelset算法 | 第84-85页 |
| 4.2.5 其它俩种伪表签生成算法 | 第85页 |
| 4.3 伪标签的生成策略和结果 | 第85-90页 |
| 4.3.1 伪标签生成策略 | 第85-86页 |
| 4.3.2 伪标签生成结果 | 第86-90页 |
| 4.4 伪标签的选择 | 第90页 |
| 4.5 迭代融合的伪标签 | 第90-96页 |
| 4.5.1 迭代融合策略 | 第90-92页 |
| 4.5.2 迭代融合结果 | 第92-96页 |
| 4.6 最终分割结果 | 第96-100页 |
| 第五章 全文总结与展望 | 第100-102页 |
| 5.1 全文总结 | 第100页 |
| 5.2 后续工作展望 | 第100-102页 |
| 致谢 | 第102-103页 |
| 参考文献 | 第103-110页 |
| 攻读硕士学位期间取得的成果 | 第110页 |
