| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 研究目的与意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.2.1 基于偏振的生物组织病变检测 | 第7-8页 |
| 1.2.2 基于机器学习的病理图像分割 | 第8-9页 |
| 1.3 主要研究内容 | 第9-10页 |
| 第二章 生物组织偏振成像 | 第10-26页 |
| 2.1 光的偏振 | 第10-11页 |
| 2.2 偏振光表征方法 | 第11-13页 |
| 2.2.1 琼斯矢量法 | 第11页 |
| 2.2.2 斯托克斯参量法 | 第11-13页 |
| 2.3 偏振成像方法 | 第13-18页 |
| 2.3.1 同时成像方法 | 第13-16页 |
| 2.3.2 分时成像方法 | 第16-18页 |
| 2.4 组织切片偏振成像 | 第18-25页 |
| 2.4.1 光与生物组织的相互作用 | 第19-20页 |
| 2.4.2 生物组织偏振特性表征 | 第20-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 人工神经网络 | 第26-47页 |
| 3.1 人工智能概述 | 第26-27页 |
| 3.2 机器学习概述 | 第27-28页 |
| 3.3 神经网络与深度学习 | 第28-39页 |
| 3.3.1 感知器和多层神经网络 | 第30-32页 |
| 3.3.2 激活函数 | 第32-35页 |
| 3.3.3 损失函数 | 第35页 |
| 3.3.4 梯度下降与反向传播 | 第35-38页 |
| 3.3.5 优化器 | 第38-39页 |
| 3.4 卷积神经网络 | 第39-43页 |
| 3.4.1 CNN的基本结构 | 第40-42页 |
| 3.4.2 CNN的特点 | 第42-43页 |
| 3.5 基于CNN的语义分割 | 第43-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于生物组织偏振特性和机器学习的病理图像分析 | 第47-67页 |
| 4.1 基于组织线偏振度的肝细胞性肝癌检测 | 第47-50页 |
| 4.1.1 肝细胞性肝癌组织学特征 | 第47页 |
| 4.1.2 旋转线偏振肝组织切片成像 | 第47-48页 |
| 4.1.3 实验结果与分析 | 第48-50页 |
| 4.2 基于偏振特性和深度学习的病理图像自动标注 | 第50-65页 |
| 4.2.1 病理切片的选取 | 第51-52页 |
| 4.2.2 阵元选取 | 第52-54页 |
| 4.2.3 数据扩充 | 第54-55页 |
| 4.2.4 网络结构设计 | 第55-57页 |
| 4.2.5 图像标注评价指标 | 第57-58页 |
| 4.2.6 实验方案设计 | 第58-59页 |
| 4.2.7 实验运行环境 | 第59页 |
| 4.2.8 实验结果分析 | 第59-65页 |
| 4.3 本章小结 | 第65-67页 |
| 结论 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-72页 |