| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| §1.1 研究背景及意义 | 第8-10页 |
| §1.2 国内外研究现状 | 第10-13页 |
| §1.2.1 图像识别技术的发展 | 第10页 |
| §1.2.2 深度学习的历史与发展 | 第10-12页 |
| §1.2.3 有丝分裂识别的研究现状 | 第12-13页 |
| §1.3 论文主要工作及结构安排 | 第13-16页 |
| §1.3.1 论文的主要内容及创新点 | 第13-14页 |
| §1.3.2 论文的结构安排 | 第14-16页 |
| 第二章 有丝分裂图像识别技术与深度学习 | 第16-29页 |
| §2.1 有丝分裂图像识别技术 | 第16-23页 |
| §2.1.1 预处理 | 第16-19页 |
| §2.1.2 分割算法 | 第19-21页 |
| §2.1.3 特征融合算法 | 第21-23页 |
| §2.2 深度学习 | 第23-28页 |
| §2.2.1 深度学习概述 | 第23-24页 |
| §2.2.2 神经网络模型 | 第24-25页 |
| §2.2.3 卷积神经网络 | 第25-28页 |
| §2.3 本章小结 | 第28-29页 |
| 第三章 基于多通道特征融合的有丝分裂检测算法研究 | 第29-41页 |
| §3.1 整体算法框图 | 第29-30页 |
| §3.2 有丝分裂检测算法设计 | 第30-34页 |
| §3.2.1 细胞核分割 | 第30-31页 |
| §3.2.1.1 LoG算子 | 第30页 |
| §3.2.1.2 阈值分割 | 第30-31页 |
| §3.2.2 多通道特征提取 | 第31-33页 |
| §3.2.2.1 颜色空间转化 | 第31-32页 |
| §3.2.2.2 形态学特征 | 第32页 |
| §3.2.2.3 灰度特征 | 第32-33页 |
| §3.2.2.4 纹理特征 | 第33页 |
| §3.2.3 串行融合 | 第33-34页 |
| §3.2.4 最小距离分类器 | 第34页 |
| §3.3 MCCFF算法实验分析 | 第34-40页 |
| §3.3.1 实验数据与环境 | 第34页 |
| §3.3.2 参数及性能评价指标 | 第34-35页 |
| §3.3.3 仿真对比结果与分析 | 第35-40页 |
| §3.4 本章小结 | 第40-41页 |
| 第四章 基于改进卷积神经网络的有丝分裂分类算法研究 | 第41-51页 |
| §4.1 整体算法框图 | 第41-42页 |
| §4.2 有丝分裂分类算法设计 | 第42-47页 |
| §4.2.1 分割候选集 | 第42-43页 |
| §4.2.2 ZCA白化预处理 | 第43-44页 |
| §4.2.3 改进卷积神经网络模型 | 第44-46页 |
| §4.2.3.1 CNN模型 | 第44-45页 |
| §4.2.3.2 改进各层参数介绍 | 第45-46页 |
| §4.2.4 Softmax分类器 | 第46-47页 |
| §4.3 ZCA-CNN算法实验分析 | 第47-50页 |
| §4.3.1 实验数据与环境 | 第47页 |
| §4.3.2 参数及性能评价指标 | 第47-48页 |
| §4.3.3 仿真对比结果与分析 | 第48-50页 |
| §4.4 本章小结 | 第50-51页 |
| 第五章 基于GPU加速深度卷积神经网络的有丝分裂分类算法研究 | 第51-60页 |
| §5.1 整体算法框图 | 第51-52页 |
| §5.2 改进深层模型分类算法设计 | 第52-55页 |
| §5.2.1 分割候选集 | 第52页 |
| §5.2.2 GPU并行加速 | 第52-53页 |
| §5.2.3 改进深度卷积神经网络模型 | 第53-55页 |
| §5.2.4 Softmax分类器 | 第55页 |
| §5.3 GAA-CNN算法实验分析 | 第55-58页 |
| §5.3.1 实验数据与环境 | 第55页 |
| §5.3.2 参数及性能评价指标 | 第55页 |
| §5.3.3 仿真对比结果与分析 | 第55-58页 |
| §5.4 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| §6.1 全文总结 | 第60-61页 |
| §6.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-69页 |
| 致谢 | 第69-70页 |
| 作者在攻读硕士期间主要研究成果 | 第70页 |