基于深度学习的肺结节检测与诊断研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 引言 | 第11-22页 |
| 1.1 本课题的研究背景 | 第11-15页 |
| 1.2 本课题的研究意义 | 第15-16页 |
| 1.3 本课题的研究现状 | 第16-18页 |
| 1.3.1 基于传统方法的研究现状 | 第16-17页 |
| 1.3.2 基于深度学习的研究现状 | 第17-18页 |
| 1.4 本课题的主要内容 | 第18-20页 |
| 1.4.1 本文的工作流程和主要工作 | 第18-19页 |
| 1.4.2 论文的结构 | 第19-20页 |
| 1.5 本章小节 | 第20-22页 |
| 2 数据集的选取与预处理 | 第22-27页 |
| 2.1 LIDC-IDRI数据集 | 第22-23页 |
| 2.2 数据集的预处理 | 第23-26页 |
| 2.2.1 DICOM标准 | 第23-24页 |
| 2.2.2 影像数据的预处理 | 第24页 |
| 2.2.3 标记信息的预处理 | 第24-26页 |
| 2.3 本章小节 | 第26-27页 |
| 3 肺结节的检测研究 | 第27-43页 |
| 3.1 已有检测方法的流程分析 | 第27-30页 |
| 3.2 肺结节感兴趣区域的提取 | 第30-38页 |
| 3.2.1 3D RPN的网络结构 | 第30-34页 |
| 3.2.2 3D RPN的损失函数 | 第34-37页 |
| 3.2.3 3D RPN的训练和测试 | 第37-38页 |
| 3.3 假阳性样本的抑制 | 第38-40页 |
| 3.4 肺结节检测结果和讨论 | 第40-42页 |
| 3.5 本章小节 | 第42-43页 |
| 4 肺结节的分割研究 | 第43-59页 |
| 4.1 基于3DFCN的肺结节分割模型 | 第44-47页 |
| 4.2 用于对抗学习的3DCNN模型 | 第47-48页 |
| 4.3 肺结节分割框架的优化策略 | 第48-51页 |
| 4.3.1 肺结节分割模型的损失函数 | 第48-49页 |
| 4.3.2 肺结节分割模型的训练过程 | 第49-51页 |
| 4.4 肺结节分割结果和讨论 | 第51-56页 |
| 4.4.1 肺结节分割的量化结果 | 第52-54页 |
| 4.4.2 肺结节分割的效果图 | 第54-56页 |
| 4.5 肺结节分割模型的可视化 | 第56页 |
| 4.6 肺结节分割模型的可视化 | 第56-58页 |
| 4.7 本章小节 | 第58-59页 |
| 5 肺结节的定性研究 | 第59-63页 |
| 5.1 肺结节属性分类的模型结构 | 第60页 |
| 5.2 肺结节属性分类的优化过程 | 第60-61页 |
| 5.3 肺结节属性分类的准确度 | 第61页 |
| 5.4 本章小节 | 第61-63页 |
| 6 总结与展望 | 第63-66页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-66页 |
| 参考文献 | 第66-70页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第70-72页 |
| 致谢 | 第72页 |
