1 人工智能概述 1
　　1.1 人工智能的定義 1
　　1.2 強人工智能、弱人工智能和超人工智能 2
　　1.3 人工智能的研究方法 3
　　1.4 人工智能的基本應用 8
2 深度學習 12
　　2.1 深度學習簡介 12
　　2.2 人工神經(jīng)網(wǎng)絡下的深度學習 13
　　2.3 典型的深度學習網(wǎng)絡架構(gòu) 14
　　2.3.1 LeNet 14
　　2.3.2 AlexNet 17
　　2.3.3 VGGNet 19
　　2.3.4 ResNet 21
　　2.3.5 DenseNet 22
　　2.4 深度學習的應用 24
　　2.4.1 物體檢測 24
　　2.4.2 圖像分割 25
　　2.4.3 圖像標題生成 26
　　2.4.4 圖像風格變換 27
　　2.4.5 自動駕駛 28
3 病理診斷分析 30
　　3.1 病理學基礎 30
　　3.1.1 診斷病理學 30
　　3.1.2 診斷病理學的任務 31
　　3.2 病理診斷方法 32
　　3.2.1 病理診斷設備 32
　　3.2.2 病理診斷要點 32
　　3.2.3 病理材料的存檔 34
　　3.2.4 臨床與質(zhì)量保證 35
　　3.3 病理診斷中常見的病理過程 35
　　3.3.1 組織和細胞的適應與損傷 35
　　3.3.2 炎癥 39
　　3.3.3 腫瘤 40
4 細胞病理診斷 42
　　4.1 細胞學基礎 42
　　4.2 細胞病理學 43
　　4.2.1 細胞病理學檢查程序 43
　　4.2.2 細胞病理學在腫瘤診斷中的作用 44
　　4.2.3 細胞病理學的應用價值 44
　　4.2.4 細胞病理學診斷的局限性 45
　　4.2.5 細胞病理學報告 46
　　4.3 宮頸細胞病理學 46
　　4.3.1 宮頸細胞病理學的基本現(xiàn)狀和進展 46
　　4.3.2 宮頸正常細胞的形態(tài) 47
　　4.3.3 宮頸細胞學分類診斷標準 50
　　4.4 乳腺細胞病理學 54
　　4.4.1 乳腺細胞病理學的進展 54
　　4.4.2 乳腺腫塊FNAC檢查 55
　　4.4.3 乳腺癌的針吸細胞學 56
5 基于強特征CNN-SVM的宮頸癌細胞檢測 58
　　5.1 自動顯微成像平臺設計 58
　　5.1.1 設計原則與總體框圖 58
　　5.1.2 光學顯微鏡及放大倍數(shù)選擇 59
　　5.1.3 自動載物平臺設計 59
　　5.1.4 自動對焦方法研究 60
　　5.2 基于改進隨機森林算法的上皮細胞識別 65
　　5.2.1 圖像分割 65
　　5.2.2 細胞圖像的特征提取 68
　　5.2.3 基于人工魚群算法優(yōu)化的隨機森林模型 73
　　5.3 基于強特征CNN-SVM的癌變上皮細胞識別 78
　　5.3.1 數(shù)據(jù)集擴增與良性仿射 78
　　5.3.2 強特征CNN-SVM網(wǎng)絡模型 80
　　5.3.3 基于強特征CNN-SVM模型的癌細胞識別 84
　　5.4 實驗與分析 87
　　5.4.1 自動對焦實驗 88
　　5.4.2 基于改進隨機森林算法的上皮細胞識別實驗 89
　　5.4.3 基于強特征CNN-SVM的癌變上皮細胞識別實驗 93
6 基于改進SSD網(wǎng)絡的宮頸細胞分類檢測系統(tǒng) 97
　　6.1 顯微鏡成像自動掃描系統(tǒng)設計 97
　　6.1.1 宮頸鱗狀上皮細胞形態(tài)學特點 97
　　6.1.2 顯微鏡成像自動掃描系統(tǒng)整體架構(gòu) 98
　　6.1.3 自動對焦算法 100
　　6.1.4 圖像平移拼接 103
　　6.2 基于改進SSD網(wǎng)絡的細胞分類檢測算法 103
　　6.2.1 SSD網(wǎng)絡模型 103
　　6.2.2 正反向特征融合 108
　　6.2.3 雙線性匯合特征分析 112
　　6.3 圖像數(shù)據(jù)處理及模型訓練 114
　　6.3.1 實驗平臺介紹 114
　　6.3.2 數(shù)據(jù)處理 115
　　6.3.3 Loss函數(shù)的定義與改進 116
　　6.3.4 防止過擬合 118
　　6.3.5 模型訓練 119
　　6.4 實驗與分析 120
　　6.4.1 顯微鏡成像自動掃描實驗 120
　　6.4.2 細胞分類檢測實驗 123
7 基于改進ResNet的宮頸癌細胞識別 129
　　7.1 深度學習與宮頸癌細胞 129
　　7.1.1 深度學習概述 129
　　7.1.2 卷積神經(jīng)網(wǎng)絡 129
　　7.1.3 基于深度學習的目標檢測算法 131
　　7.1.4 宮頸癌細胞及識別數(shù)據(jù)集制作 132
　　7.2 基于改進ResNet-SSD網(wǎng)絡的宮頸癌細胞識別 135
　　7.2.1 特征提取網(wǎng)絡 135
　　7.2.2 基于改進SSD算法的宮頸脫落細胞識別 141
　　7.2.3 網(wǎng)絡模型訓練 145
　　7.3 宮頸癌細胞識別網(wǎng)絡的壓縮和加速 145
　　7.3.1 網(wǎng)絡壓縮和加速的必要性及可能性 145
　　7.3.2 網(wǎng)絡壓縮和加速 146
　　7.3.3 基于OD-FWSI的宮頸癌細胞網(wǎng)絡壓縮和加速 152
　　7.3.4 全局逐步網(wǎng)絡剪枝 154
　　7.3.5 改進"老師與學生"的壓縮和加速網(wǎng)絡訓練方法 155
　　7.4 實驗與分析 156
　　7.4.1 特征提取網(wǎng)絡實驗 156
　　7.4.2 宮頸癌細胞識別實驗 158
　　7.4.3 宮頸癌細胞識別網(wǎng)絡的壓縮和加速實驗 160
8 基于YOLO網(wǎng)絡的宮頸異常細胞檢測與識別方法研究 164
　　8.1 宮頸細胞檢測和識別技術(shù)基礎 164
　　8.1.1 宮頸癌細胞形態(tài)學診斷技術(shù)基礎 164
　　8.1.2 顯微鏡下宮頸細胞圖像采集系統(tǒng) 165
　　8.1.3 宮頸細胞圖像預處理 169
　　8.1.4 宮頸細胞圖像數(shù)據(jù)集構(gòu)建 172
　　8.2 面向?qū)m頸異常細胞的網(wǎng)絡結(jié)構(gòu)改進 174
　　8.2.1 YOLOv3網(wǎng)絡概述 174
　　8.2.2 YOLOv3網(wǎng)絡結(jié)構(gòu)改進 179
　　8.3 基于細胞數(shù)據(jù)集的模型訓練方法優(yōu)化 183
　　8.3.1 目標框維度聚類分析 183
　　8.3.2 Loss函數(shù)的定義與改進 185
　　8.3.3 NMS算法優(yōu)化 189
　　8.3.4 基于細胞數(shù)據(jù)集優(yōu)化后的模型訓練 190
　　8.4 實驗結(jié)果與分析 191
　　8.4.1 宮頸癌輔助診斷系統(tǒng) 191
　　8.4.2 面向?qū)m頸異常細胞的網(wǎng)絡結(jié)構(gòu)改進實驗 194
　　8.4.3 基于細胞數(shù)據(jù)集的模型訓練優(yōu)化實驗 199
9 宮頸細胞定量分析系統(tǒng)關鍵技術(shù)研究 204
　　9.1 基于感興趣區(qū)域的ROI聚焦系統(tǒng)設計 204
　　9.1.1 宮頸細胞DNA涂片與細胞分類 204
　　9.1.2 顯微鏡聚焦系統(tǒng)整體架構(gòu) 207
　　9.1.3 基于ROI的顯微鏡聚焦算法 208
　　9.2 宮頸細胞涂片分割與檢測方法研究 217
　　9.2.1 宮頸細胞分割方法研究 218
　　9.2.2 宮頸細胞特征提取與選擇 226
　　9.2.3 基于Adaboost-SVM的宮頸細胞分類 232
　　9.3 宮頸細胞DNA定量分析 236
　　9.3.1 生物學與光學基礎 236
　　9.3.2 基于細胞圖像的DNA定量計算 238
　　9.3.3 基于LSTM的宮頸上皮細胞數(shù)據(jù)分類 242
　　9.4 實驗與分析 245
　　9.4.1 顯微鏡ROI聚焦實驗 245
　　9.4.2 細胞分割實驗 249
　　9.4.3 特征提取實驗 254
　　9.4.4 細胞分類實驗 256
　　9.4.5 宮頸細胞DNA定量分析實驗 258
10 基于改進DSOD網(wǎng)絡的乳腺鉬靶圖像腫塊分類方法研究 263
　　10.1 乳腺X射線圖像預處理 263
　　10.1.1 乳腺鉬靶X射線圖像和病灶特征簡介 263
　　10.1.2 乳腺鉬靶X射線圖像數(shù)據(jù)集 264
　　10.1.3 圖像預處理 265
　　10.2 DSOD網(wǎng)絡的改進 270
　　10.2.1 基于深度學習的目標檢測概述 270
　　10.2.2 DSOD網(wǎng)絡模型 270
　　10.2.3 基于深度可分離卷積的稠密卷積模塊 274
　　10.2.4 引入基于通道域注意力機制的SE-Block 277
　　10.3 改進的DSOD網(wǎng)絡在乳腺腫塊分類中的應用 279
　　10.3.1 改進的DSOD網(wǎng)絡結(jié)構(gòu)設計 279
　　10.3.2 模型訓練 284
　　10.3.3 損失函數(shù)的改進 285
　　10.4 乳腺鉬靶X射線圖像的腫塊分類實驗與分析 289
　　10.4.1 實驗環(huán)境 289
　　10.4.2 數(shù)據(jù)處理 289
　　10.4.3 評價指標 290
　　10.4.4 實驗結(jié)果與分析 291
參考文獻 296