基于深度卷积神经网络的细胞核分割
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 卷积神经网络的相关知识 | 第16-25页 |
| 2.1 卷积神经网络理论 | 第16-22页 |
| 2.1.1 感知器和激活函数 | 第16-18页 |
| 2.1.2 多层前馈神经网络与反向传播算法 | 第18-20页 |
| 2.1.3 卷积层 | 第20-21页 |
| 2.1.4 池化层 | 第21-22页 |
| 2.1.5 反卷积层 | 第22页 |
| 2.2 典型的全卷积网络结构 | 第22-24页 |
| 2.2.1 FCN网络 | 第22-23页 |
| 2.2.2 U-net网络 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 改进的U-net网络的细胞核分割 | 第25-40页 |
| 3.1 问题概述 | 第25-26页 |
| 3.2 算法流程 | 第26页 |
| 3.3 改进的U-net网络 | 第26-34页 |
| 3.3.1 数据增强 | 第26-27页 |
| 3.3.2 基于k-means的图像聚类 | 第27-29页 |
| 3.3.3 腐蚀膨胀操作 | 第29-31页 |
| 3.3.4 U-net网络训练 | 第31-34页 |
| 3.4 实验结果和分析 | 第34-39页 |
| 3.4.1 数据集简介 | 第34-35页 |
| 3.4.2 细胞核分割评估指标 | 第35页 |
| 3.4.3 细胞核分割结果分析 | 第35-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于迁移学习和多任务学习的细胞核分割 | 第40-54页 |
| 4.1 多任务学习 | 第40-42页 |
| 4.2 迁移学习 | 第42-46页 |
| 4.2.1 VGG16预训练模型 | 第42-44页 |
| 4.2.2 迁移学习后的U-net模型结构 | 第44-45页 |
| 4.2.3 模型微调 | 第45-46页 |
| 4.3 细胞核分割的后处理操作 | 第46-49页 |
| 4.3.1 孔洞填充 | 第47页 |
| 4.3.2 去除小的目标 | 第47-48页 |
| 4.3.3 连通区域标记 | 第48页 |
| 4.3.4 基于标记的分水岭算法 | 第48-49页 |
| 4.4 实验结果和分析 | 第49-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 总结和展望 | 第54-56页 |
| 5.1 总结 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 硕士期间发表的论文与参加的科研项目 | 第61页 |
