文献综述范文模板例文哪里有？文献综述一般包含以下四部分：摘要、引言、主体和参考文献，本文是一篇医学论文的文献综述，以“喉镜影像分布与纹理融合的特征提取和 改进的 AlexNet 分类算法研究”为例，为大家讲述文献综述的写作要点，希望能够帮助到你。
医学论文文献综述
一、论文文献综述范文模板
1、前言
简要说明写作的目的、意义、有关概念的定义，综述的范围，描述课题的研究现状，以及有关主题争论的焦点和发展趋势等。
2、正文
文献综述的重点。通过理论发展阶段性成果、理论意义、实践意义、成熟可靠新近的权威可信等，比较不同学者对同一问题的看法及其理论依据，阐明问题的来龙去脉和作者自己的见解。
3、总结与展望
对正文各种观点进行综合评价，高度概括主题内容，提出自己的观点意见主张展望发展前景。简明扼要地指出目前研究中尚需解决的问题及研究成果的意义和价值，在写作中应注意给出一个较为明确的阶段性结论。
4、参考文献
一般参考文献的多少可体现作者阅读文献的广度和深度。一般不低于20条，以最近3-5年内的最新文献为主。
二、论文摘要
疾病的分类预测一直是医疗领域备受关注的问题。对于喉镜内窥镜医疗影像数据，专业医师通过观察喉镜影像和药物治疗等方式确诊咽喉反流疾病。这无疑是任务量庞大且要求严格的工作，计算机辅助专业医师对疾病预测意义重大，尤其是喉镜影像数据的计算机辅助治疗研究少之又少，本文基于吉林省某医院耳鼻喉头颈外科喉镜影像数据，从改进特征提取方法和改进 AlexNet 卷积神经网络两方面对喉镜影像数据进行分类研究。
第一部分从图像的分布和纹理两个角度研究了喉镜影像的特征提取。通过局部二项式特征提取方法提取图像纹理特征，通过灰度直方图方法提取图像分布特征，通过差异性比较的方法进行特征融合后比较了与五种传统分类算法的结合性能。结果表明该分布与纹理融合的特征同随机森林判别算法结合对喉镜影像分类准确率最高，达到96.61%，并且该算法对样本数量要求不高。
第二部分构建了对喉镜影像数据分类的卷积神经网络算法。修改了 AlexNet 的浅层特征和深层特征结构，避免原始网络对喉镜影像细微差异的忽略，也尽可能的放大了差异性信息。使用该算法对喉镜影像进行分类预测的结果较好，准确率为 99.83%，比未改进的 AlexNet 卷积神经网络对喉镜影像分类的准确度提升了 27.65%，并且该算法可适应大样本数据。
三、国内外研究评述
人工神经网络中所有神经网络都通过其神经元的传递函数，学习规则和连接公式来描述。McCulloch 和 Pitts[12]于 1943 年开创了神经网络模型的理论基础，也就是现在的 M-P 模型。为了利用神经网络进行识别和分类，Rosenblatt（1958）[13]在 M-P 模型的基础上创建了可以完成一些简单的视觉处理任务的感知器模型，并且实现了对输入图像的二分类。Hopfield（1982）[14]将李雅普诺夫函数引入到神经网络模型中，提出了离散的神经网络。为了解决输出是[0,1]之间连续值问题 Hopfield（1984）[15]又提出了连续的神经网络。Hinton 和 Sejnowsky [16]于 1984 年提出神经网络可以进行多层网络学习，这就是著名的玻尔兹曼机模型。在此基础上，Hopfield 和 Tank（1985）[17]利用 Hopfield 神经网络求解出了经销商在旅途中访问每座城市并回到初始城市的最短回路，解决了组合优化问题。Rumelhart 等人（1986）[18]提出了多层神经网络权值修正的反向传播学习算法——BP 算法。Chua 和 Yang [19]于 1988 年提出了隐式地从训练数据中进行学习的方法，并将该方法命名为细胞神经网络模型，该模型避免了显示的特征抽取。Yao（1993）[20]提出了进化人工神经网络，对网络中的连接权重进行了区分，架构和学习规则的演变。但对学习规则演变的研究仍比较朦胧，不同层次的进化之间的相互作用并没有给出。在上述神经网络的基础上，廖晓昕（1994）[21-22]基于三个一般的神经网络，对神经网络的全部激活函数进行了扩展，给出了三个更具有一般性的神经网络模型。Hill 等人（1994）[23]通过实证研究发现人工神经网络的表现与统计模型一样，甚至更好，但是缺少理论证明。Tu 等人（1996）[24]比较了使用人工神经网络与逻辑回归预测二分类医学结果的优缺点，通过实证研究得出结论：当主要目标是对结果进行预测并且数据集中存在重要的相互作用或复杂的非线性关系时，神经网络效果最好。
四、论文结论
本文基于喉镜影像数据，从改进特征提取方法和改进 AlexNet 卷积神经网络两方面对喉镜影像数据进行分类研究。
本文第一部分对喉镜影像数据做了预处理工作，首先对喉镜影像进行批量裁剪统一数据格式；接下来通过灰度归一化对图像进行了灰度转换，减少了图像的通道数量，这样可以缩减后面特征提取的计算量；然后通过中值滤波去噪对图像进行了噪声检测，去除了图像噪声点；考虑到中值滤波去噪会损失部分图像信息，于是又在预处理过程中增加了直方图均衡化处理方法，放大图像的亮度信息差异，为后面对喉镜影像进行特征提取和分类奠定了一定基础。
第二部分从图像的分布和纹理两个角度研究了喉镜影像的特征提取。通过局部二项式特征提取方法提取图像纹理特征，通过灰度直方图方法提取图像分布特征，通过差异性比较的方法进行特征融合后比较了与五种传统分类算法的结合性能。结合传统分类器对前人的特征提取方法同本文特征提取方法比较，结果表明五类传统分类器对分布与纹理融合特征分类准确度都要高于对其它特征分类的准确度，其中分布与纹理融合特征同随机森林算法结合对喉镜影像分类准确率最高，达到 99.61%。但是假阴性率较高。
第三部分在喉镜影像数据下对 AlexNet 卷积神经网络分类算法进行了改进研究。首先通过原始的 AlexNet 卷积神经网络对喉镜影像进行了分类测试，准确率为 71.1%，并且存在过度拟合现象。这是由于 AlexNet 对图像的细微差异识别并不敏感以及数据分布不均匀。本文对 AlexNet 卷积神经网络浅层特征和深层特征进行优化，缩小了部分卷积层池化窗口，对卷积核大小进行了改造，避免了 AlexNet 对喉镜影像细微差异的忽略。使用该算法对喉镜影像进行分类预测的准确率为 99.83%，比 AlexNet 对喉镜影像分类的准确度提升了 28.73%。
本文的研究仍可继续深入，给出如下三点展望：
（1）由于数据源经专业医师分类时只有二分类标签，故文章只对喉镜影像进行了简单的二分类，可以和医院专业医师进一步合作，将疾病类别标签划分的更细致，对喉镜影像进行多分类；
（2）可考虑在分类预测后增加基于图像像素特征的分割方法等对喉镜影像进行细致的分割，分割出病灶区域对辅助医师诊断治疗会有更大的帮助。
（3）深度学习方法基于大样本数据，在对喉镜影像的分类预测研究中，原始数据样本量为 6888，并且正负样本比例不均，正性样本较少，占全部样本量的 30%，因此在研究中使用了样本扩增方法，如果能够扩大样本量并且使正负样本的数量分布更加均匀那么研究结果可能会更具说服力。
五、参考文献
[l] Kalpathy-Cramer J,Hersh W. Effectiveness of glob al features for automatic medicalimage classi fication and retrieval—the experiences of ohsu at imageclefmed[J]. Patternreco gnition letters,2008,29(15): 2032-2038.
[2]Rajendran P, Madheswaran M. Hybrid med cal image classification using associationrule mining with decision tree algorithm[J]. Computer Sci ence,2010，3(10):1173-1178.
[3] Cheng E,Xie N,Ling H et al. Mammographic image cl assifcation using hi stogramintersection[C]//2010 IEEE International Symp osium on Biomedical Imaging: FromNano to Macro.IEEE,2010: 197-200.
[4]Abdullah N,Ngah U K,Azz S A Image classifi cation of brain MRI using supportvector machine[C]I/2011 IEEEInt ernational Conference on Imaging Systems andTechniques.IEEE,2011:242-247.
[5] Kharrat A,Gasmi K,Messaoud M B, et al. Medical image classification using anoptimal feature extraction algorithm and a supervised classifier technique[J].International Journal of So ftwar e Science and Computational Intelligence,2011，3(2);19-33.
[6] Rajaei A, Rangarajan L. Wavelet features extraction for medical image classification[J].An International Journal of Engineering Sciences,2011,4:131-141.
[7]Ramteke R J，Monali K Y.Automati c medical image cl assification and abnormalitydetection using k-nearest neighbour[J]. International Journal of Advanced ComputerResearch,2012,2(4): 190-196.
[8]杨芳,木拉提·哈米提,严传波,阿布都艾尼·库吐鲁克，孙静、姚娟．基于SVM 的新疆哈萨克族食管癌医学图像特征提取及分类研究[J]﹒科技通报,2016,32(O3);53-57.
[9] Liu D, Wang S, Huang D, et al. Medical image classification using spatial adjacenthistogram based on adaptive local binary patterns[J]. Computers in biology andmedicine,2016,72(1): 185-200.
[10]Fang L, Liu Z, Song w. Deep hashing neural networks for hyperspectral image featureextr action[J].IEEE Geoscience and Remote Sensing Letters，2019,16(9): 1412-1416.
[11]Chen X, Li J,Zhang Y et al . Automati c feature extraction in X-ray image based on deeplearning approach for determination of bone age[J]. Future Generation Computer
文献综述模板
以上是医学论文的文献综述范文模板，可以参考完成自己的论文文献综述，如果你想了解论文写作的其他内容，可以在本网站查阅相关信息，如果你需要论文指导，可以在线咨询。