| 摘要 | 第2-3页 |
| abstract | 第3页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究目的与意义 | 第7页 |
| 1.2 国内外研究动态 | 第7-10页 |
| 1.2.1 传统肝病识别方法 | 第7-9页 |
| 1.2.2 深度学习的兴起 | 第9-10页 |
| 1.3 主要工作及章节安排 | 第10-11页 |
| 第二章 肝硬化识别与特征提取 | 第11-28页 |
| 2.1 样本的选取及预处理 | 第11-13页 |
| 2.2 特征提取 | 第13-15页 |
| 2.2.1 LBP特征 | 第13页 |
| 2.2.2 Gabor变换 | 第13-14页 |
| 2.2.3 灰度共生矩阵 | 第14页 |
| 2.2.4 方向梯度直方图 | 第14-15页 |
| 2.3 T-LBP特征 | 第15-18页 |
| 2.4 基于支持向量机的肝硬化识别 | 第18-21页 |
| 2.4.1 支持向量机 | 第18-19页 |
| 2.4.2 多特征融合算法 | 第19页 |
| 2.4.3 实验与分析 | 第19-21页 |
| 2.5 基于超限学习机的肝硬化识别 | 第21-27页 |
| 2.5.1 Basic ELM | 第21-22页 |
| 2.5.2 kernel-ELM | 第22-23页 |
| 2.5.3 实验与分析 | 第23-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 深度学习理论 | 第28-44页 |
| 3.1 深度学习 | 第28页 |
| 3.2 深度学习的基本思想 | 第28-30页 |
| 3.2.1 特征的初级表示 | 第28-29页 |
| 3.2.2 特征的结构化表示 | 第29-30页 |
| 3.3 深度神经网络与传统神经网络 | 第30-32页 |
| 3.3.1 传统神经网络 | 第30-31页 |
| 3.3.2 深度神经网络 | 第31-32页 |
| 3.4 卷积神经网络概念 | 第32-35页 |
| 3.4.1 卷积神经网络的网络结构 | 第32-34页 |
| 3.4.2 卷积神经网络的权值共享 | 第34-35页 |
| 3.5 卷积神经网络中的权值更新 | 第35-37页 |
| 3.5.1 前向传播 | 第35页 |
| 3.5.2 反向传播 | 第35-36页 |
| 3.5.3 卷基层（Convolution layers） | 第36-37页 |
| 3.5.4 降采样层（Sub-sampling layers） | 第37页 |
| 3.6 深度信念网 | 第37-42页 |
| 3.6.1 受限玻尔兹曼机 | 第37-39页 |
| 3.6.2 RBM的学习方法 | 第39-41页 |
| 3.6.3 深度信念网（DBNs） | 第41-42页 |
| 3.6.4 深度信念网的学习 | 第42页 |
| 3.7 本章小结 | 第42-44页 |
| 第四章 基于深度学习的肝硬化识别 | 第44-55页 |
| 4.1 肝硬化识别系统 | 第44页 |
| 4.2 基于卷积神经网络的肝硬化识别 | 第44-49页 |
| 4.2.1 样本预处理 | 第44-45页 |
| 4.2.2 卷积神经网络结构 | 第45-47页 |
| 4.2.3 实验结果和对比 | 第47-49页 |
| 4.3 基于卷积神经网络的SVM | 第49-51页 |
| 4.3.1 基于卷积神经网络的SVM的结构 | 第49-50页 |
| 4.3.2 实验与分析 | 第50-51页 |
| 4.4 基于卷积神经网络的ELM | 第51-52页 |
| 4.4.1 基于卷积神经网络的ELM的结构 | 第51页 |
| 4.4.2 实验与分析 | 第51-52页 |
| 4.5 基于深度信念网的肝硬化识别 | 第52-54页 |
| 4.5.1 深度信念网的结构 | 第52-53页 |
| 4.5.2 实验与分析 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-56页 |
| 5.1 全文工作总结 | 第55页 |
| 5.2 未来工作展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读学位期间的研究成果 | 第60-61页 |
| 致谢 | 第61-62页 |