基于深度学习的皮肤病辅助诊断系统
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10页 |
| 1.3 主要工作和创新点 | 第10-11页 |
| 1.4 文章结构 | 第11-13页 |
| 第2章 相关理论知识 | 第13-21页 |
| 2.1 常用图像特征 | 第13-16页 |
| 2.1.1 LBP特征 | 第13-14页 |
| 2.1.2 HOG特征 | 第14页 |
| 2.1.3 颜色直方图 | 第14页 |
| 2.1.4 颜色矩 | 第14-16页 |
| 2.2 卷积神经网络基础 | 第16-19页 |
| 2.2.1 前馈神经网络 | 第16-17页 |
| 2.2.2 卷积神经网络 | 第17-19页 |
| 2.3 分类器常用评价标准 | 第19-21页 |
| 2.3.1 准确率 | 第19页 |
| 2.3.2 AUC值 | 第19-21页 |
| 第3章 基于随机森林的皮肤病图像诊断 | 第21-29页 |
| 3.1 随机森林 | 第21-23页 |
| 3.2 实验及结果 | 第23-28页 |
| 3.2.1 皮肤镜图像 | 第23-26页 |
| 3.2.2 皮表照片图像 | 第26-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第4章 基于深度卷积网络的皮肤病图像诊断 | 第29-33页 |
| 4.1 ResNet卷积网络 | 第29-30页 |
| 4.2 实验及结果 | 第30-32页 |
| 4.2.1 皮肤镜图像 | 第31页 |
| 4.2.2 皮表照片图像 | 第31-32页 |
| 4.3 本章小结 | 第32-33页 |
| 第5章 基于卷积网络集成的皮肤病图像诊断 | 第33-41页 |
| 5.1 Channel-ResNet框架 | 第33-34页 |
| 5.1.1 框架结构 | 第33页 |
| 5.1.2 模型训练方法 | 第33-34页 |
| 5.2 实验及结果 | 第34-39页 |
| 5.2.1 皮肤镜图像 | 第35-37页 |
| 5.2.2 皮表照片图像 | 第37-39页 |
| 5.3 结果分析与讨论 | 第39-40页 |
| 5.4 本章小结 | 第40-41页 |
| 第6章 总结与展望 | 第41-43页 |
| 6.1 工作总结 | 第41-42页 |
| 6.2 未来展望 | 第42-43页 |
| 参考文献 | 第43-47页 |
| 致谢 | 第47-49页 |
| 在读期间发表的学术论文与取得的研究成果 | 第49页 |
