基于医学高光谱影像分析的肿瘤组织分类方法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 研究背景与意义 | 第12-18页 |
| 1.1.1 精准医学与人工智能 | 第12-16页 |
| 1.1.2 医学高光谱成像技术 | 第16-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 国外研究现状 | 第18-19页 |
| 1.2.2 国内研究现状 | 第19-21页 |
| 1.3 论文创新点 | 第21-22页 |
| 1.4 论文组织结构 | 第22-24页 |
| 第2章 显微高光谱成像与数据采集系统 | 第24-47页 |
| 2.1 显微高光谱成像系统 | 第24-29页 |
| 2.1.1 高光谱成像原理 | 第24-27页 |
| 2.1.2 显微高光谱系统设计 | 第27-29页 |
| 2.2 显微高光谱数据采集系统 | 第29-35页 |
| 2.2.1 数据采集系统组成 | 第29-33页 |
| 2.2.2 标准化样本数据采集过程 | 第33-35页 |
| 2.3 显微高光谱数据预处理 | 第35-46页 |
| 2.3.1 显微光谱数据预处理 | 第35-39页 |
| 2.3.2 显微光谱数据分析 | 第39-46页 |
| 2.4 本章小结 | 第46-47页 |
| 第3章 胃癌组织光谱特征提取与分类研究 | 第47-72页 |
| 3.1 卷积神经网络模型 | 第48-56页 |
| 3.1.1 模型原理 | 第48-50页 |
| 3.1.2 模型训练过程 | 第50-52页 |
| 3.1.3 预防过拟合 | 第52-56页 |
| 3.2 基于一维卷积神经网络的胃癌组织分类研究 | 第56-68页 |
| 3.2.1 实验数据集 | 第56-58页 |
| 3.2.2 胃癌组织光谱特征分析 | 第58-59页 |
| 3.2.3 特征提取与分类模型 | 第59-62页 |
| 3.2.4 实验结果与分析 | 第62-68页 |
| 3.3 胃癌组织光谱的个体差异化研究 | 第68-70页 |
| 3.4 本章小结 | 第70-72页 |
| 第4章 肿瘤组织分类诊断方法研究 | 第72-97页 |
| 4.1 基于图谱特征的肿瘤组织分类研究 | 第73-85页 |
| 4.1.1 基于图谱特征的分类模型 | 第73-77页 |
| 4.1.2 分类模型性能分析 | 第77-81页 |
| 4.1.3 基于全谱段光谱的联合建模 | 第81-85页 |
| 4.2 基于迁移模型的肿瘤切片分类方法研究 | 第85-92页 |
| 4.2.1 迁移学习 | 第85-88页 |
| 4.2.2 基于预训练模型的胃癌切片分类方法 | 第88-92页 |
| 4.3 图谱联合分类诊断方法研究 | 第92-96页 |
| 4.4 本章小结 | 第96-97页 |
| 第5章 显微高光谱技术的其他生物医学应用 | 第97-108页 |
| 5.1 未染色切片的高光谱虚拟染色 | 第98-102页 |
| 5.1.1 病理切片的光谱标记 | 第98-100页 |
| 5.1.2 高光谱虚拟染色方法 | 第100-102页 |
| 5.2 皮肤黑色素瘤光谱特性分析 | 第102-107页 |
| 5.3 本章小结 | 第107-108页 |
| 第6章 总结与展望 | 第108-112页 |
| 6.1 总结 | 第108-109页 |
| 6.2 展望 | 第109-112页 |
| 参考文献 | 第112-122页 |
| 致谢 | 第122-124页 |
| 作者简介及在学期间发表的学术论文与研究成果 | 第124页 |
