基于深度学习的阴道镜HSIL检测
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文的主要贡献 | 第13-14页 |
| 1.4 本文的组织结构 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 医学知识概述 | 第15-19页 |
| 2.1 宫颈癌与HPV感染 | 第15页 |
| 2.2 宫颈筛查 | 第15-16页 |
| 2.2.1 细胞层面的宫颈筛查 | 第15页 |
| 2.2.2 组织层面的宫颈筛查 | 第15-16页 |
| 2.3 阴道镜检查 | 第16-18页 |
| 2.3.1 生理盐水试验 | 第16页 |
| 2.3.2 醋酸试验 | 第16-17页 |
| 2.3.3 碘液试验 | 第17页 |
| 2.3.4 阴道镜结果分析 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 深度学习技术概述 | 第19-28页 |
| 3.1 深度学习的发展 | 第19页 |
| 3.2 深度学习的优劣 | 第19-20页 |
| 3.3 卷积神经网络 | 第20-25页 |
| 3.3.1 卷积层 | 第21-23页 |
| 3.3.2 池化层 | 第23-24页 |
| 3.3.3 随机失活层 | 第24-25页 |
| 3.3.4 批量标准化层 | 第25页 |
| 3.4 目标区域识别 | 第25-26页 |
| 3.5 迁移学习 | 第26-27页 |
| 3.6 本章小结 | 第27-28页 |
| 第4章 数据预处理 | 第28-32页 |
| 4.1 数据筛选 | 第28页 |
| 4.2 兴趣区提取 | 第28-29页 |
| 4.3 数据增强 | 第29-31页 |
| 4.4 数据归一化 | 第31页 |
| 4.5 本章小结 | 第31-32页 |
| 第5章 基于CNN的阴道镜HSIL判别 | 第32-44页 |
| 5.1 性能指标 | 第32页 |
| 5.2 激活函数 | 第32-34页 |
| 5.3 损失函数 | 第34-35页 |
| 5.4 迁移学习 | 第35-38页 |
| 5.4.1 迁移方案 | 第35-36页 |
| 5.4.2 迁移网络的选择 | 第36-38页 |
| 5.5 网络结构 | 第38-43页 |
| 5.5.1 单试剂图像 | 第38-39页 |
| 5.5.2 三试剂图像 | 第39-43页 |
| 5.6 本章小结 | 第43-44页 |
| 第6章 基于CAM的病灶区定位 | 第44-49页 |
| 6.1 算法原理 | 第44-45页 |
| 6.2 热力图生成 | 第45-46页 |
| 6.3 网络结构调整 | 第46-48页 |
| 6.3.1 单试剂图像 | 第46页 |
| 6.3.2 三试剂图像 | 第46-48页 |
| 6.4 本章小结 | 第48-49页 |
| 第7章 实验与分析 | 第49-68页 |
| 7.1 实验环境 | 第49-50页 |
| 7.2 实验设计 | 第50-51页 |
| 7.3 基于CNN的HSIL检测 | 第51-61页 |
| 7.3.1 神经网络筛选 | 第51页 |
| 7.3.2 单图像网络结构 | 第51-53页 |
| 7.3.3 单图像网络效果评估 | 第53-56页 |
| 7.3.4 三试剂图像效果评估 | 第56-61页 |
| 7.3.5 效果对比 | 第61页 |
| 7.4 目标区域提取 | 第61-67页 |
| 7.4.1 目标区域提取 | 第61-64页 |
| 7.4.2 多图像目标区域提取 | 第64-66页 |
| 7.4.3 网络效果对比 | 第66-67页 |
| 7.5 本章小结 | 第67-68页 |
| 第8章 总结和展望 | 第68-70页 |
| 8.1 本文总结 | 第68页 |
| 8.2 未来展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73页 |
