| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第16-25页 |
| 1.1 研究背景 | 第16-17页 |
| 1.2 研究意义 | 第17-19页 |
| 1.3 研究现状 | 第19-23页 |
| 1.3.1 基于传统方法的病理图像分析 | 第20-21页 |
| 1.3.2 基于深度学习的病理图像分析 | 第21-23页 |
| 1.4 研究内容 | 第23-24页 |
| 1.5 论文的组织结构 | 第24页 |
| 1.6 本章小结 | 第24-25页 |
| 第2章 深度学习与卷积神经网络 | 第25-48页 |
| 2.1 深度学习概述 | 第25-27页 |
| 2.2 卷积神经网络 | 第27-33页 |
| 2.2.1 图像的卷积操作 | 第28-29页 |
| 2.2.2 局部连接 | 第29页 |
| 2.2.3 权重共享 | 第29-30页 |
| 2.2.4 池化层 | 第30页 |
| 2.2.5 激励函数 | 第30-32页 |
| 2.2.6 Dropout | 第32-33页 |
| 2.2.7 批归一化(Batch Normalization) | 第33页 |
| 2.3 基于深度学习的目标检测算法 | 第33-47页 |
| 2.3.1 传统目标检测方法 | 第34-37页 |
| 2.3.2 RCNN | 第37-39页 |
| 2.3.3 SPP-NET | 第39-41页 |
| 2.3.4 Fast RCNN | 第41-42页 |
| 2.3.5 Faster RCNN | 第42-47页 |
| 2.4 本章小结 | 第47-48页 |
| 第3章 细胞核检测的实现 | 第48-73页 |
| 3.1 问题定义 | 第48-52页 |
| 3.1.1 实验数据集介绍 | 第49-50页 |
| 3.1.2 评测标准 | 第50-52页 |
| 3.2 细胞核检测的实现 | 第52-67页 |
| 3.2.1 特征抽取网络 | 第53-54页 |
| 3.2.2 利用transfer learning初始化模型 | 第54-55页 |
| 3.2.3 数据增强变换 | 第55-57页 |
| 3.2.4 难样本挖掘 | 第57页 |
| 3.2.5 优化小目标检测 | 第57-62页 |
| 3.2.6 数据标注 | 第62-63页 |
| 3.2.7 交叉验证 | 第63-64页 |
| 3.2.8 实验参数设置 | 第64-66页 |
| 3.2.9 训练方法 | 第66-67页 |
| 3.3 实验结果与对比分析 | 第67-71页 |
| 3.3.1 实验结果 | 第67-71页 |
| 3.4 讨论与分析 | 第71-73页 |
| 第4章 核分裂象检测的实现 | 第73-95页 |
| 4.1 问题定义 | 第73-75页 |
| 4.1.1 数据集介绍 | 第74-75页 |
| 4.1.2 评测标准 | 第75页 |
| 4.2 基于深度学习的有丝分裂检测 | 第75-87页 |
| 4.2.1 数据扩增 | 第76-77页 |
| 4.2.2 非平衡数据集的处理 | 第77-78页 |
| 4.2.3 网络结构的改进 | 第78-81页 |
| 4.2.4 优化损失函数 | 第81-83页 |
| 4.2.5 其他训练与预测的技巧 | 第83-84页 |
| 4.2.6 数据标注 | 第84页 |
| 4.2.7 参数设置与训练 | 第84-87页 |
| 4.3 细胞核分类的实现 | 第87-92页 |
| 4.3.1 ResNet | 第87-89页 |
| 4.3.2 训练数据集的产生 | 第89-90页 |
| 4.3.3 模型训练与预测 | 第90-92页 |
| 4.4 实验结果 | 第92-93页 |
| 4.5 讨论与分析 | 第93-95页 |
| 第5章 工作总结与展望 | 第95-97页 |
| 5.1 工作总结 | 第95页 |
| 5.2 展望 | 第95-97页 |
| 参考文献 | 第97-105页 |
| 致谢 | 第105-106页 |
| 作者简介 | 第106页 |