1 人工智能概述 1
　　1.1 人工智能的定義 1
　　1.2 強(qiáng)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(yīng)用 8
2 深度學(xué)習(xí) 12
　　2.1 深度學(xué)習(xí)簡介 12
　　2.2 人工神經(jīng)網(wǎng)絡(luò)下的深度學(xué)習(xí) 13
　　2.3 典型的深度學(xué)習(xí)網(wǎng)絡(luò)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(xué)習(xí)的應(yīng)用 24
　　2.4.1 物體檢測 24
　　2.4.2 圖像分割 25
　　2.4.3 圖像標(biāo)題生成 26
　　2.4.4 圖像風(fēng)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(xué)基礎(chǔ) 30
　　3.1.1 診斷病理學(xué) 30
　　3.1.2 診斷病理學(xué)的任務(wù) 31
　　3.2 病理診斷方法 32
　　3.2.1 病理診斷設(shè)備 32
　　3.2.2 病理診斷要點(diǎn) 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(xì)胞的適應(yīng)與損傷 35
　　3.3.2 炎癥 39
　　3.3.3 腫瘤 40
4 細(xì)胞病理診斷 42
　　4.1 細(xì)胞學(xué)基礎(chǔ) 42
　　4.2 細(xì)胞病理學(xué) 43
　　4.2.1 細(xì)胞病理學(xué)檢查程序 43
　　4.2.2 細(xì)胞病理學(xué)在腫瘤診斷中的作用 44
　　4.2.3 細(xì)胞病理學(xué)的應(yīng)用價值 44
　　4.2.4 細(xì)胞病理學(xué)診斷的局限性 45
　　4.2.5 細(xì)胞病理學(xué)報告 46
　　4.3 宮頸細(xì)胞病理學(xué) 46
　　4.3.1 宮頸細(xì)胞病理學(xué)的基本現(xiàn)狀和進(jìn)展 46
　　4.3.2 宮頸正常細(xì)胞的形態(tài) 47
　　4.3.3 宮頸細(xì)胞學(xué)分類診斷標(biāo)準(zhǔn) 50
　　4.4 乳腺細(xì)胞病理學(xué) 54
　　4.4.1 乳腺細(xì)胞病理學(xué)的進(jìn)展 54
　　4.4.2 乳腺腫塊FNAC檢查 55
　　4.4.3 乳腺癌的針吸細(xì)胞學(xué) 56
5 基于強(qiáng)特征CNN-SVM的宮頸癌細(xì)胞檢測 58
　　5.1 自動顯微成像平臺設(shè)計 58
　　5.1.1 設(shè)計原則與總體框圖 58
　　5.1.2 光學(xué)顯微鏡及放大倍數(shù)選擇 59
　　5.1.3 自動載物平臺設(shè)計 59
　　5.1.4 自動對焦方法研究 60
　　5.2 基于改進(jìn)隨機(jī)森林算法的上皮細(xì)胞識別 65
　　5.2.1 圖像分割 65
　　5.2.2 細(xì)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(jī)森林模型 73
　　5.3 基于強(qiáng)特征CNN-SVM的癌變上皮細(xì)胞識別 78
　　5.3.1 數(shù)據(jù)集擴(kuò)增與良性仿射 78
　　5.3.2 強(qiáng)特征CNN-SVM網(wǎng)絡(luò)模型 80
　　5.3.3 基于強(qiáng)特征CNN-SVM模型的癌細(xì)胞識別 84
　　5.4 實(shí)驗(yàn)與分析 87
　　5.4.1 自動對焦實(shí)驗(yàn) 88
　　5.4.2 基于改進(jìn)隨機(jī)森林算法的上皮細(xì)胞識別實(shí)驗(yàn) 89
　　5.4.3 基于強(qiáng)特征CNN-SVM的癌變上皮細(xì)胞識別實(shí)驗(yàn) 93
6 基于改進(jìn)SSD網(wǎng)絡(luò)的宮頸細(xì)胞分類檢測系統(tǒng) 97
　　6.1 顯微鏡成像自動掃描系統(tǒng)設(shè)計 97
　　6.1.1 宮頸鱗狀上皮細(xì)胞形態(tài)學(xué)特點(diǎn) 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(jìn)SSD網(wǎng)絡(luò)的細(xì)胞分類檢測算法 103
　　6.2.1 SSD網(wǎng)絡(luò)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(xùn)練 114
　　6.3.1 實(shí)驗(yàn)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(jìn) 116
　　6.3.4 防止過擬合 118
　　6.3.5 模型訓(xùn)練 119
　　6.4 實(shí)驗(yàn)與分析 120
　　6.4.1 顯微鏡成像自動掃描實(shí)驗(yàn) 120
　　6.4.2 細(xì)胞分類檢測實(shí)驗(yàn) 123
7 基于改進(jìn)ResNet的宮頸癌細(xì)胞識別 129
　　7.1 深度學(xué)習(xí)與宮頸癌細(xì)胞 129
　　7.1.1 深度學(xué)習(xí)概述 129
　　7.1.2 卷積神經(jīng)網(wǎng)絡(luò) 129
　　7.1.3 基于深度學(xué)習(xí)的目標(biāo)檢測算法 131
　　7.1.4 宮頸癌細(xì)胞及識別數(shù)據(jù)集制作 132
　　7.2 基于改進(jìn)ResNet-SSD網(wǎng)絡(luò)的宮頸癌細(xì)胞識別 135
　　7.2.1 特征提取網(wǎng)絡(luò) 135
　　7.2.2 基于改進(jìn)SSD算法的宮頸脫落細(xì)胞識別 141
　　7.2.3 網(wǎng)絡(luò)模型訓(xùn)練 145
　　7.3 宮頸癌細(xì)胞識別網(wǎng)絡(luò)的壓縮和加速 145
　　7.3.1 網(wǎng)絡(luò)壓縮和加速的必要性及可能性 145
　　7.3.2 網(wǎng)絡(luò)壓縮和加速 146
　　7.3.3 基于OD-FWSI的宮頸癌細(xì)胞網(wǎng)絡(luò)壓縮和加速 152
　　7.3.4 全局逐步網(wǎng)絡(luò)剪枝 154
　　7.3.5 改進(jìn)"老師與學(xué)生"的壓縮和加速網(wǎng)絡(luò)訓(xùn)練方法 155
　　7.4 實(shí)驗(yàn)與分析 156
　　7.4.1 特征提取網(wǎng)絡(luò)實(shí)驗(yàn) 156
　　7.4.2 宮頸癌細(xì)胞識別實(shí)驗(yàn) 158
　　7.4.3 宮頸癌細(xì)胞識別網(wǎng)絡(luò)的壓縮和加速實(shí)驗(yàn) 160
8 基于YOLO網(wǎng)絡(luò)的宮頸異常細(xì)胞檢測與識別方法研究 164
　　8.1 宮頸細(xì)胞檢測和識別技術(shù)基礎(chǔ) 164
　　8.1.1 宮頸癌細(xì)胞形態(tài)學(xué)診斷技術(shù)基礎(chǔ) 164
　　8.1.2 顯微鏡下宮頸細(xì)胞圖像采集系統(tǒng) 165
　　8.1.3 宮頸細(xì)胞圖像預(yù)處理 169
　　8.1.4 宮頸細(xì)胞圖像數(shù)據(jù)集構(gòu)建 172
　　8.2 面向?qū)m頸異常細(xì)胞的網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn) 174
　　8.2.1 YOLOv3網(wǎng)絡(luò)概述 174
　　8.2.2 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn) 179
　　8.3 基于細(xì)胞數(shù)據(jù)集的模型訓(xùn)練方法優(yōu)化 183
　　8.3.1 目標(biāo)框維度聚類分析 183
　　8.3.2 Loss函數(shù)的定義與改進(jìn) 185
　　8.3.3 NMS算法優(yōu)化 189
　　8.3.4 基于細(xì)胞數(shù)據(jù)集優(yōu)化后的模型訓(xùn)練 190
　　8.4 實(shí)驗(yàn)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(xì)胞的網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)實(shí)驗(yàn) 194
　　8.4.3 基于細(xì)胞數(shù)據(jù)集的模型訓(xùn)練優(yōu)化實(shí)驗(yàn) 199
9 宮頸細(xì)胞定量分析系統(tǒng)關(guān)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(shè)計 204
　　9.1.1 宮頸細(xì)胞DNA涂片與細(xì)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(xì)胞涂片分割與檢測方法研究 217
　　9.2.1 宮頸細(xì)胞分割方法研究 218
　　9.2.2 宮頸細(xì)胞特征提取與選擇 226
　　9.2.3 基于Adaboost-SVM的宮頸細(xì)胞分類 232
　　9.3 宮頸細(xì)胞DNA定量分析 236
　　9.3.1 生物學(xué)與光學(xué)基礎(chǔ) 236
　　9.3.2 基于細(xì)胞圖像的DNA定量計算 238
　　9.3.3 基于LSTM的宮頸上皮細(xì)胞數(shù)據(jù)分類 242
　　9.4 實(shí)驗(yàn)與分析 245
　　9.4.1 顯微鏡ROI聚焦實(shí)驗(yàn) 245
　　9.4.2 細(xì)胞分割實(shí)驗(yàn) 249
　　9.4.3 特征提取實(shí)驗(yàn) 254
　　9.4.4 細(xì)胞分類實(shí)驗(yàn) 256
　　9.4.5 宮頸細(xì)胞DNA定量分析實(shí)驗(yàn) 258
10 基于改進(jìn)DSOD網(wǎng)絡(luò)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(yù)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(yù)處理 265
　　10.2 DSOD網(wǎng)絡(luò)的改進(jìn) 270
　　10.2.1 基于深度學(xué)習(xí)的目標(biāo)檢測概述 270
　　10.2.2 DSOD網(wǎng)絡(luò)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(jī)制的SE-Block 277
　　10.3 改進(jìn)的DSOD網(wǎng)絡(luò)在乳腺腫塊分類中的應(yīng)用 279
　　10.3.1 改進(jìn)的DSOD網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計 279
　　10.3.2 模型訓(xùn)練 284
　　10.3.3 損失函數(shù)的改進(jìn) 285
　　10.4 乳腺鉬靶X射線圖像的腫塊分類實(shí)驗(yàn)與分析 289
　　10.4.1 實(shí)驗(yàn)環(huán)境 289
　　10.4.2 數(shù)據(jù)處理 289
　　10.4.3 評價指標(biāo) 290
　　10.4.4 實(shí)驗(yàn)結(jié)果與分析 291
參考文獻(xiàn) 296