摘要 | 第3-5页 |
Abstract | 第5-7页 |
第一章 绪论 | 第13-33页 |
1.1 蛋白质的亚细胞位置介绍 | 第13-15页 |
1.1.1 概念及研究意义 | 第13-14页 |
1.1.2 多标记蛋白质的复杂性和重要性 | 第14-15页 |
1.2 蛋白质图像亚细胞位置识别的研究 | 第15-28页 |
1.2.1 亚细胞位置的研究历史 | 第15-17页 |
1.2.2 蛋白质显微图像 | 第17-20页 |
1.2.2.1 图像类型介绍 | 第17-19页 |
1.2.2.2 人类蛋白图库HPA | 第19-20页 |
1.2.3 基于图像的亚细胞位置识别研究现状 | 第20-26页 |
1.2.3.1 国内外的研究情况 | 第20-21页 |
1.2.3.2 生物图像数据集 | 第21-22页 |
1.2.3.3 生物图像的特征提取与选择 | 第22-24页 |
1.2.3.4 亚细胞位置分类算法 | 第24-25页 |
1.2.3.5 对多标记蛋白质的处理方法 | 第25-26页 |
1.2.4 蛋白质的亚细胞位置异常与疾病的关联 | 第26-28页 |
1.3 论文的研究内容和创新点 | 第28-31页 |
1.3.1 内容和创新点 | 第28-31页 |
1.3.2 内容间的相互关联 | 第31页 |
1.4 论文的结构和组织 | 第31-33页 |
第二章 基于图像的蛋白质亚细胞位置预测模型i Locator | 第33-52页 |
2.1 标准图像数据集的构建 | 第34-35页 |
2.2 特征空间的构建 | 第35-39页 |
2.3 多标记分类算法的应用 | 第39-41页 |
2.4 实验结果及分析 | 第41-47页 |
2.4.1 多标记分类的评价指标 | 第41-43页 |
2.4.2 图像前处理对分类结果的影响 | 第43-44页 |
2.4.3 局部二值特征(LBP)对多标记样本的分类结果的影响 | 第44-46页 |
2.4.4 多标记分类算法对分类结果的影响 | 第46-47页 |
2.5 数据集内癌症标记物的筛选 | 第47-51页 |
2.6 本章总结 | 第51-52页 |
第三章 iLocator模型的半监督学习框架设计 | 第52-73页 |
3.1 半监督学习图像标准数据集 | 第52-57页 |
3.2 半监督学习算法框架的设计 | 第57-60页 |
3.2.1 半监督学习框架设计 | 第58-59页 |
3.2.2 动态阈值准则 | 第59-60页 |
3.3 链式多标记分类算法 | 第60-62页 |
3.4 实验结果及分析 | 第62-69页 |
3.4.1 动态阈值准则对分类结果的影响 | 第62-63页 |
3.4.2 半监督学习框架的分类性能 | 第63-66页 |
3.4.3 链式多标记分类算法对i Locator性能的提高 | 第66-67页 |
3.4.4 分类器融合后的结果 | 第67-69页 |
3.5 筛选癌症标志物的性能 | 第69-72页 |
3.6 本章总结 | 第72-73页 |
第四章 利用主题模型定量分析蛋白质的复杂分布 | 第73-103页 |
4.1 HPA中的亚细胞位置标注 | 第74-80页 |
4.1.1 HPA中蛋白质图像的亚细胞位置标注 | 第74-75页 |
4.1.2 与蛋白质序列标注的一致性 | 第75-80页 |
4.2 利用主题模型分析蛋白质亚细胞位置分布 | 第80-93页 |
4.2.1 主题模型简介 | 第81-82页 |
4.2.2 对IHC图像建立LDA主题模型 | 第82-89页 |
4.2.2.1 抽取小图像块 | 第83-87页 |
4.2.2.2 小图像块的聚类 | 第87-88页 |
4.2.2.3 LDA模型的构建 | 第88-89页 |
4.2.3 亚细胞位置类别树的建立 | 第89-90页 |
4.2.4 从LDA主题到亚细胞位置模式的映射 | 第90-93页 |
4.3 对癌症标志蛋白质的分布变化的量化分析 | 第93-97页 |
4.4 蛋白质网络的亚细胞位置 | 第97-101页 |
4.4.1 蛋白质网络的亚细胞位置一致性 | 第97-98页 |
4.4.2 预测新的蛋白质网络成员 | 第98-101页 |
4.5 本章总结 | 第101-103页 |
第五章 总结与展望 | 第103-107页 |
5.1 全文工作总结 | 第103-104页 |
5.2 未来研究工作展望 | 第104-107页 |
参考文献 | 第107-121页 |
致谢 | 第121-122页 |
攻读博士学位期间的学术成果 | 第122-125页 |