發(fā)布時間：2023-06-02 04:40

　　蛋白質(zhì)是人類生存必不可少的物質(zhì),小到細胞,大到人體的各個器官,都離不開各種各樣蛋白質(zhì)的參與。利用高倍顯微鏡可以實現(xiàn)人類細胞蛋白質(zhì)的可視化,這些圖像通常用于生物醫(yī)學研究,幫助人類更深入地理解細胞的復雜性,也為未來人類戰(zhàn)勝各種疾病提供了可能性。近年來,一方面高倍顯微鏡的成像技術(shù)趨于成熟,利用高倍顯微鏡可以大批量地獲取細胞的蛋白質(zhì)圖像,形成以人類蛋白質(zhì)細胞圖譜圖像數(shù)據(jù)集為代表的大樣本數(shù)據(jù)集。另一方面,從2012年的AlexNet開始,利用卷積神經(jīng)網(wǎng)絡處理圖像問題的算法也進入了高速發(fā)展期,模型的分類效果逐年提高,利用大數(shù)據(jù)方法對人類細胞蛋白質(zhì)細胞圖譜進行分析,探尋數(shù)據(jù)集中種種可能的規(guī)律成為了熱門,學者們借此機會使用CNN處理蛋白質(zhì)問題,尤其是和蛋白質(zhì)相關的圖像問題。過去,蛋白質(zhì)細胞圖像分類集中于單分類模型的討論,基于一組不同的細胞識別某種蛋白質(zhì),每一個分類器僅能識別一種蛋白質(zhì)。而現(xiàn)實中,單個細胞往往由多種蛋白質(zhì)構(gòu)成,蛋白質(zhì)之間也并不是完全獨立,本文希望用多標簽學習的方法對人類蛋白質(zhì)細胞圖譜進行建模,基于一組不同的細胞識別其中包含的不同蛋白質(zhì),即輸出空間包含多個元素,那這樣就需要考慮到標簽間的關...

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
    1.2 研究目的及意義
    1.3 研究現(xiàn)狀
    1.4 本文研究框架與內(nèi)容
    1.5 本文的主要貢獻
第二章 基礎方法概述
    2.1 卷積神經(jīng)網(wǎng)絡
    2.2 數(shù)據(jù)增廣
    2.3 AlexNet
        2.3.1 Dropout
        2.3.2 Relu激活函數(shù)
        2.3.3 局部回應標準化
    2.4 VggNet
    2.5 InceptionNet
        2.5.1 批標準化
    2.6 深度殘差網(wǎng)絡
    2.7 DenseNet
    2.8 損失函數(shù)
    2.9 優(yōu)化方法
        2.9.1 隨機梯度下降法
        2.9.2 動量
        2.9.3 Nesterov
        2.9.4 AdaGrad
        2.9.5 Adam
第三章 多標簽學習模型
    3.1 多標簽學習問題描述
    3.2 定義
    3.3 評估指標
        3.3.1 以樣本為基礎的二分類評估指標
        3.3.2 以標簽為基礎的二分類評估指標
        3.3.3 評估排名的指標
    3.4 多標簽學習算法
        3.4.1 問題轉(zhuǎn)化
        3.4.2 現(xiàn)有算法改編
        3.4.3 多標簽圖像數(shù)據(jù)集的分類方法
第四章 實踐部分
    4.1 數(shù)據(jù)集可視化及數(shù)據(jù)集分析
        4.1.1 數(shù)據(jù)集可視化
        4.1.2 數(shù)據(jù)集分析
    4.2 模型構(gòu)建
    4.3 模型訓練
    4.4 結(jié)果展示
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
學位論文評閱及答辯情況表



本文編號：3827682