| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 细胞图像分割的研究背景和意义 | 第10页 |
| 1.2 细胞图像分割的研究现状 | 第10-13页 |
| 1.3 论文的主要研究内容 | 第13-15页 |
| 第2章 深度学习模型的基础理论 | 第15-22页 |
| 2.1 判别式模型 | 第15-18页 |
| 2.1.1 判别式模型的概念 | 第15页 |
| 2.1.2 卷积神经网络CNNs | 第15-16页 |
| 2.1.3 全卷积神经网络FCN | 第16-17页 |
| 2.1.4 医学图像分割网络U-Net | 第17-18页 |
| 2.2 生成式模型 | 第18-19页 |
| 2.1.1 生成式模型的概念 | 第18页 |
| 2.1.2 生成式对抗网络GANs | 第18-19页 |
| 2.1.3 深度卷积生成式对抗网络DCGAN | 第19页 |
| 2.3 自编码器 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于GANs的细胞分割网络Cell-GAN | 第22-38页 |
| 3.1 Cell-GAN的基础结构 | 第22-27页 |
| 3.1.1 基于自编码结构的生成器 | 第23-25页 |
| 3.1.2 深度卷积判别器 | 第25-26页 |
| 3.1.3 联合代价函数 | 第26-27页 |
| 3.2 基于最大轮廓查找的分割轮廓提取 | 第27-28页 |
| 3.3 细胞图像裁剪 | 第28-30页 |
| 3.3.1 基于细胞核的固定框裁剪 | 第28页 |
| 3.3.2 基于分水岭算法的浮动框裁剪 | 第28-30页 |
| 3.4 指导因子 | 第30-33页 |
| 3.4.1 指导因子的定位作用 | 第30页 |
| 3.4.2 指导因子的构建及定位功能强化 | 第30-31页 |
| 3.4.3 加操作对指导因子的影响 | 第31-33页 |
| 3.5 数据集搭建及模型训练 | 第33-34页 |
| 3.5.1 宫颈细胞数据集的采集与制作 | 第33页 |
| 3.5.2 训练参数的设定 | 第33-34页 |
| 3.5.3 训练时间及执行速度 | 第34页 |
| 3.6 实验分析 | 第34-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第4章 循环图像裁剪网络RCell-GAN | 第38-49页 |
| 4.1 引言 | 第38页 |
| 4.2 RCell-GAN的基础结构 | 第38-42页 |
| 4.2.1 基于指导因子的分割轮廓提取 | 第38-39页 |
| 4.2.2 循环图像裁剪结构R-crop | 第39-42页 |
| 4.3 实验分析 | 第42-47页 |
| 4.3.1 默认参数设定 | 第42页 |
| 4.3.2 RCell-GAN的性能考量 | 第42-45页 |
| 4.3.3 模型参数对分割的影响 | 第45-47页 |
| 4.4 RCell-GAN的优势 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 RCell-GAN分割性能评估 | 第49-54页 |
| 5.1 基于自建数据集的评估 | 第49-50页 |
| 5.2 基于ISBI2015 数据集的评估 | 第50-52页 |
| 5.3 本章小结 | 第52-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读学位期间取得的学术成果 | 第60-61页 |
| 致谢 | 第61页 |