基于双视图的乳腺肿块辅助检测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 基于单幅乳腺X线图像的肿块检测方法 | 第15-16页 |
| 1.2.2 基于多幅乳腺X线图像的肿块检测方法 | 第16-17页 |
| 1.3 论文主要内容及章节安排 | 第17-20页 |
| 第二章 视觉显著性与卷积神经网络相关基础理论 | 第20-30页 |
| 2.1 视觉显著性理论 | 第20-23页 |
| 2.1.1 视觉注意力机制 | 第20-21页 |
| 2.1.2 视觉注意力模式 | 第21页 |
| 2.1.3 视觉注意力算法 | 第21-23页 |
| 2.2 卷积神经网络理论 | 第23-28页 |
| 2.2.1 卷积神经网络的历史 | 第24-25页 |
| 2.2.2 卷积神经网络的结构 | 第25-26页 |
| 2.2.3 AlexNet模型介绍 | 第26-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 基于深度特征的单视图乳腺肿块检测 | 第30-42页 |
| 3.1 引言 | 第30页 |
| 3.2 乳腺X线图像预处理及肿块检测框架 | 第30-33页 |
| 3.2.1 乳腺X线图像预处理流程 | 第30-32页 |
| 3.2.2 乳腺X线图像肿块检测框架 | 第32-33页 |
| 3.3 基于频率协调的显著性检测 | 第33页 |
| 3.4 基于深度特征的乳腺X线图像肿块检测 | 第33-36页 |
| 3.4.1 滑动窗检测结构 | 第33-34页 |
| 3.4.2 CNN特征提取 | 第34-36页 |
| 3.5 实验数据及结果分析 | 第36-40页 |
| 3.5.1 实验数据库及准备工作 | 第36页 |
| 3.5.2 实验结果分析 | 第36-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第四章 基于深度特征的双视图乳腺肿块检测 | 第42-52页 |
| 4.1 引言 | 第42页 |
| 4.2 双视图乳腺肿块检测框架 | 第42-43页 |
| 4.3 双视图肿块检测关键技术 | 第43-48页 |
| 4.3.1 视图中参照对象的建立 | 第44-46页 |
| 4.3.2 匹配带的建立 | 第46-47页 |
| 4.3.3 匹配对特征提取及分类判别 | 第47-48页 |
| 4.4 实验数据及结果分析 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 总结和展望 | 第52-54页 |
| 5.1 总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60-62页 |
| 作者简介 | 第62-63页 |
