| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.1.1 胎儿超声标准切面图像分类临床背景 | 第12页 |
| 1.1.2 皮肤镜像图像识别临床背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 胎儿超声切面图像识别 | 第13-14页 |
| 1.2.2 皮肤镜像图像识别 | 第14-15页 |
| 1.3 本文主要研究目标与贡献 | 第15页 |
| 1.4 本文内容组织结构 | 第15-17页 |
| 第2章 基于深度网络的胎儿颜面部超声图像自动分类 | 第17-32页 |
| 2.1 研究动机 | 第17页 |
| 2.2 方法框架 | 第17-22页 |
| 2.2.1 CNN原理介绍 | 第18-19页 |
| 2.2.2 网络模型设计 | 第19-20页 |
| 2.2.3 数据预处理及增强 | 第20-21页 |
| 2.2.4 迁移学习策略 | 第21-22页 |
| 2.2.5 模型训练与分类 | 第22页 |
| 2.3 实验设置与结果 | 第22-31页 |
| 2.3.1 数据集及评价方法 | 第22-23页 |
| 2.3.2 模型定量化评价 | 第23-27页 |
| 2.3.3 模型可视化分析 | 第27-29页 |
| 2.3.4 与传统特征分类器对比试验 | 第29-31页 |
| 2.4 讨论与总结 | 第31-32页 |
| 第3章 基于深度聚合特征的皮肤镜图像黑素瘤自动识别 | 第32-47页 |
| 3.1 研究动机 | 第32页 |
| 3.2 方法框架 | 第32-37页 |
| 3.2.1 深度残差神经网络 | 第32-34页 |
| 3.2.2 图像预处理与数据增强 | 第34-35页 |
| 3.2.3 局部卷积特征提取 | 第35-36页 |
| 3.2.4 Fisher特征编码策略 | 第36-37页 |
| 3.2.5 基于核函数的SVM分类 | 第37页 |
| 3.3 实验设置与结果 | 第37-44页 |
| 3.3.1 实验设置 | 第37-38页 |
| 3.3.2 图像预处理与数据增强 | 第38页 |
| 3.3.3 网络类型和卷积特性的实验 | 第38-41页 |
| 3.3.4 特征编码策略的实验 | 第41-42页 |
| 3.3.5 分类与其他方法的比较 | 第42-44页 |
| 3.4 讨论与总结 | 第44-47页 |
| 第4章 基于多网络特征选择与编码的黑素瘤自动识别 | 第47-61页 |
| 4.1 研究动机 | 第47页 |
| 4.2 方法框架 | 第47-51页 |
| 4.2.1 图像预处理与数据增强 | 第48-50页 |
| 4.2.2 局部深度特征选择 | 第50页 |
| 4.2.3 多网络融合策略 | 第50-51页 |
| 4.3 实验设置与结果 | 第51-59页 |
| 4.3.1 实验设置 | 第51-52页 |
| 4.3.2 图像预处理和实验增强 | 第52-53页 |
| 4.3.3 不同模型组合实验 | 第53-55页 |
| 4.3.4 与其他方法比较结果 | 第55-56页 |
| 4.3.5 可视化定性分析 | 第56-59页 |
| 4.4 讨论与总结 | 第59-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61-62页 |
| 5.2 研究不足与展望 | 第62-63页 |
| 参考文献 | 第63-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间的研究成果 | 第72-73页 |