| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·课题背景及意义 | 第10页 |
| ·前列腺形态组织特征简述 | 第10-12页 |
| ·正常的前列腺组织学特征 | 第10-11页 |
| ·前列腺癌的病理特征 | 第11-12页 |
| ·国内外研究现状 | 第12页 |
| ·机器学习方法介绍 | 第12-15页 |
| ·深度学习简介 | 第13-14页 |
| ·支持向量机简介 | 第14-15页 |
| ·本文研究内容和章节安排 | 第15-16页 |
| 第二章 深度学习的基本方法 | 第16-34页 |
| ·稀疏自编码 | 第16-24页 |
| ·神经元 | 第16-17页 |
| ·神经网络模型 | 第17-19页 |
| ·反向传播算法 | 第19-21页 |
| ·稀疏自编码的含义 | 第21-24页 |
| ·受限玻尔兹曼机（RESTRICT BOLTZMANN MACHINE） | 第24-29页 |
| ·受限玻尔兹曼机的基本模型 | 第24-26页 |
| ·基于对比散度的 RBM 快速学习算法 | 第26-29页 |
| ·栈式自编码神经网络的训练 | 第29-31页 |
| ·概述 | 第29-30页 |
| ·逐层训练 | 第30页 |
| ·微调栈式自编码神经网络 | 第30-31页 |
| ·深度信念网络的训练 | 第31-33页 |
| ·训练过程概述 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 基于深度学习的前列腺病理图像判断 | 第34-45页 |
| ·非监督学习 | 第35-37页 |
| ·图像块的采集 | 第35页 |
| ·白化 | 第35-36页 |
| ·非监督学习 | 第36-37页 |
| ·SOFTMAX 回归分类器 | 第37-40页 |
| ·代价函数 | 第38-39页 |
| ·权重衰减 | 第39-40页 |
| ·基于 ROC 曲线的全局判断 | 第40-41页 |
| ·ROC 曲线的主要作用 | 第40页 |
| ·ROC 曲线的评价指标 | 第40-41页 |
| ·实验结果 | 第41-44页 |
| ·基于图像块的分类结果 | 第41-42页 |
| ·基于 ROC 曲线的全局分类结果 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 基于空间金字塔的前列腺癌病理图像的识别 | 第45-56页 |
| ·SIFT 特征简介 | 第46-50页 |
| ·构建尺度空间 | 第46-47页 |
| ·特征点检测并过滤 | 第47-48页 |
| ·特征点确定方向 | 第48-49页 |
| ·生成 SIFT 特征向量 | 第49页 |
| ·Dense SIFT (密集的尺度不变特征) | 第49-50页 |
| ·基于 BOW 的前列腺病理图像表示 | 第50-51页 |
| ·BoW 简介 | 第50页 |
| ·基于 BoW 的前列腺病理图像表示 | 第50-51页 |
| ·基于 SPM-BOW 的前列腺病理图像表示 | 第51-53页 |
| ·金字塔匹配核 | 第51-52页 |
| ·基于 SPM-BoW 模型的前列腺病理图像表示 | 第52-53页 |
| ·基于支持向量机的分类结果 | 第53-54页 |
| ·基于 BoW 模型的前列腺癌病理图像分类实验 | 第53-54页 |
| ·基于 SPM-BoW 模型的前列腺癌病理图像分类实验 | 第54页 |
| ·本章小结 | 第54-56页 |
| 总结与展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间取得的研究成果 | 第61-62页 |
| 致谢 | 第62-63页 |
| 附录 | 第63页 |