基于卷积神经网络的肺结节自动检测深度学习模型
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-24页 |
| 1.1 论文研究背景与意义 | 第10-12页 |
| 1.2 研究现状和存在问题 | 第12-22页 |
| 1.2.1 国内外研究现状 | 第14-20页 |
| 1.2.2 存在问题 | 第20-22页 |
| 1.3 论文的研究内容及组织结构 | 第22-23页 |
| 1.4 小结 | 第23-24页 |
| 第二章 基于自定义卷积神经网络的肺结节良恶性诊断 | 第24-42页 |
| 2.1 绪论 | 第24-26页 |
| 2.2 方法描述 | 第26-33页 |
| 2.2.1 预处理 | 第26-28页 |
| 2.2.2 建立卷积神经网络模型 | 第28-33页 |
| 2.3 实验结果和分析 | 第33-40页 |
| 2.3.1 数据来源 | 第33页 |
| 2.3.2 实验结果 | 第33-35页 |
| 2.3.3 PndCnn-7 性能调优 | 第35-39页 |
| 2.3.4 技术分析 | 第39-40页 |
| 2.4 结论 | 第40-42页 |
| 第三章 卷积神经网络在肺结节特征提取方面的应用 | 第42-52页 |
| 3.1 引言 | 第42页 |
| 3.2 算法描述 | 第42-47页 |
| 3.2.1 CT图像的预处理 | 第43-44页 |
| 3.2.2 特征提取 | 第44-46页 |
| 3.2.3 特征选择 | 第46-47页 |
| 3.3 实验结果和分析 | 第47-50页 |
| 3.3.1 特征提取模型的训练 | 第48-49页 |
| 3.3.2 不同特征的分类对比 | 第49-50页 |
| 3.4 结论 | 第50-52页 |
| 第四章 总结与展望 | 第52-56页 |
| 4.1 总结 | 第52-53页 |
| 4.2 后续的工作与展望 | 第53-56页 |
| 参考文献 | 第56-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |
