基于机器学习方法的前列腺病理切片图像识别.ppt

基于机器学习方法的前列腺病理切片图像识别本文大纲第一章绪论1.1课题背景及意义1.2前列腺形态组织特征简述1.2前列腺形态组织特征简述1.3国内外研究现状1.4机器学习方法介绍1.4.1深度学习简介1.4.1深度学习简介1.4.1深度学习简介1.4.2支持向量机简介第二章深度学习的基本方法深度学习算法需要构建深度的架构，有许多方法都可以用来进行构建深度架构，常用的有稀疏自编码（SparseAutoencoder）、受限玻尔兹曼机（RestrictBoltzmannMachine）、稀疏编码（SparseCoding）等。
本章详细介绍前面两种方法，并分别介绍基于稀疏自编码和受限玻尔兹曼机的深度网络的构建和训练。其中基于稀疏自编码的深度网络称作栈式自编码（StackedAutoencoders）神经网络，基于受限玻尔兹曼机的深度网络被称作深度信念网络（DeepBeliefNetworks，DBN）。2.1稀疏自编码2.1.1神经元2.1.1神经元2.1.1神经元2.1.1神经元2.1.2神经网络模型2.1.2神经网络模型2.1.2神经网络模型2.1.2神经网络模型2.1.2神经网络模型2.1.3反向传播算法2.1.3反向传播算法2.1.3反向传播算法2.1.4稀疏自编码的含义2.1.4稀疏自编码的含义2.2受限玻尔兹曼机(RestrictBoltzmannMachine)2.2.1受限玻尔兹曼机的基本模型2.2.1受限玻尔兹曼机的基本模型2.2.1受限玻尔兹曼机的基本模型2.2.2基于对比散度的RBM快速学习算法2.2.2基于对比散度的RBM快速学习算法2.3栈式自编码神经网络的训练2.3.1栈式自编码神经网络概述2.3.2逐层训练2.3.3微调栈式自编码神经网络2.3.3微调栈式自编码神经网络2.4深度信念网络的训练2.4深度信念网络的训练2.4深度信念网络的训练2.4深度信念网络的训练第三章基于深度学习的前列腺病理图像判断第三章基于深度学习的前列腺病理图像判断第三章基于深度学习的前列腺病理图像判断第三章基于深度学习的前列腺病理图像判断3.1非监督学习3.1.1图像块的采集3.1.2白化ZCA白化是指数据PCA变换，但是并不降维，因为这里是把所有的成分都选进去了。这时也同样满足白化的第一个条件，特征间相互独立。然后同样进行方差为1的操作，最后将得到的矩阵左乘一个特征向量矩阵U。
ZCA白化公式为：

本文采取ZCA白化之后的图像块如下图所示。3.1.3非监督学习3.1.3非监督学习3.1.3非监督学习3.2Softmax回归分类器3.2Softmax回归分类器3.2.1代价函数3.2.2权重衰减3.3基于ROC曲线的全局判断3.3.1ROC曲线的主要作用3.3.2ROC曲线的评价指标第四章基于空间金字塔的前列腺癌病理图像的识别第四章基于空间金字塔的前列腺癌病理图像的识别第四章基于空间金字塔的前列腺癌病理图像的识别第四章基于空间金字塔的前列腺癌病理图像的识别4.1SIFT特征简介4.2基于BoW的前列腺病理图像表示4.2.1BoW简介4.2.2基于BoW的前列腺病理图像表示4.2.2基于BoW的前列腺病理图像表示4.3基于SPM-BoW的前列腺病理图像表示4.3.1金字塔匹配核4.3.2基于SPM-BoW模型的前列腺病理图像表示4.3.2基于SPM-BoW模型的前列腺病理图像表示4.3.2基于SPM-BoW模型的前列腺病理图像表示4.4基于支持向量机的分类结果4.4基于支持向量机的分类结果4.4.1基于BoW模型的前列腺癌病理图像分类实验4.4.2基于SPM-BoW模型的前列腺癌病理图像分类实验4.4.2基于SPM-BoW模型的前列腺癌病理图像分类实验总结与展望总结与展望总结与展望总结与展望报告结束！

谢谢大家！