| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 深度学习在医学影像领域的研究现状 | 第11-12页 |
| 1.2.2 迁移学习研究现状 | 第12-14页 |
| 1.2.3 深度迁移学习研究现状 | 第14-15页 |
| 1.3 论文研究内容与创新 | 第15-16页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 研究创新点 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 深度学习基本原理 | 第18-32页 |
| 2.1 深度卷积神经网络 | 第18-22页 |
| 2.1.1 DCNN基本构成结构 | 第18-21页 |
| 2.1.2 典型网络与发展 | 第21-22页 |
| 2.2 集成学习 | 第22-26页 |
| 2.2.1 集成学习基本原理 | 第22页 |
| 2.2.2 集成学习的发展与典型算法 | 第22-26页 |
| 2.2.3 Boosting与Bagging的比较 | 第26页 |
| 2.3 迁移学习 | 第26-29页 |
| 2.3.1 迁移学习的定义 | 第27页 |
| 2.3.2 迁移学习的分类与比较 | 第27-29页 |
| 2.4 本章小结 | 第29-32页 |
| 第三章 基于深度网络迁移的分级诊断模型研究与设计 | 第32-64页 |
| 3.1 模型总体框架 | 第32-33页 |
| 3.2 影像预处理 | 第33-37页 |
| 3.2.1 图像二值分割法除噪 | 第33-35页 |
| 3.2.2 大小归一化 | 第35页 |
| 3.2.3 光照平衡 | 第35-37页 |
| 3.3 DCNN特征提取器 | 第37-51页 |
| 3.3.1 深度网络迁移流程与DCNN总体构成 | 第37-38页 |
| 3.3.2 DCNN详细模块实现 | 第38-51页 |
| 3.4 结合RF的算法设计与提升 | 第51-53页 |
| 3.4.1 RF与DCNN的结合 | 第51-52页 |
| 3.4.2 RF算法分级流程 | 第52-53页 |
| 3.5 测试结果与分析 | 第53-62页 |
| 3.5.1 实验环境与数据 | 第53-54页 |
| 3.5.2 深度网络迁移效果对比 | 第54-58页 |
| 3.5.3 与RF结合的影响实验 | 第58页 |
| 3.5.4 扩展实验分析 | 第58-62页 |
| 3.6 本章小结 | 第62-64页 |
| 第四章 基于深度对抗迁移的分级诊断模型研究与设计 | 第64-82页 |
| 4.1 对抗迁移模型总体框架 | 第64-66页 |
| 4.2 基于Resnet的对抗迁移模型的详细设计 | 第66-77页 |
| 4.2.1 两个损失函数 | 第66-68页 |
| 4.2.2 模型结构与实现 | 第68-70页 |
| 4.2.3 模型训练 | 第70-77页 |
| 4.3 测试结果与分析 | 第77-80页 |
| 4.3.1 实验环境与准备 | 第77页 |
| 4.3.2 同病种不同来源数据迁移对比 | 第77-79页 |
| 4.3.3 跨病种不同来源数据迁移对比 | 第79-80页 |
| 4.4 本章小结 | 第80-82页 |
| 第五章 总结与展望 | 第82-84页 |
| 5.1 论文总结 | 第82-83页 |
| 5.2 下一步研究计划 | 第83-84页 |
| 参考文献 | 第84-89页 |
| 致谢 | 第89-90页 |
| 攻读学位期间取得的研究成果 | 第90页 |