| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 缩略语中英文对照表 | 第8-15页 |
| 第1章 绪论 | 第15-23页 |
| 1.1 课题研究背景 | 第15-17页 |
| 1.1.1 肺结节诊断 | 第15-16页 |
| 1.1.2 计算机辅助诊断 | 第16-17页 |
| 1.2 本文的研究目标 | 第17-18页 |
| 1.3 本文的贡献 | 第18-20页 |
| 1.3.1 X光胸片肺结节分类 | 第19页 |
| 1.3.2 肋骨标记点检测与肋骨分割 | 第19页 |
| 1.3.3 CT肺结节检测与分类 | 第19-20页 |
| 1.4 论文组织结构 | 第20-23页 |
| 第2章 胸部影像的肺结节计算机辅助诊断 | 第23-35页 |
| 2.1 引言 | 第23页 |
| 2.2 X光胸片肺结节的临床背景 | 第23-27页 |
| 2.2.1 X光胸片的影像 | 第23-24页 |
| 2.2.2 X光胸片肺结节图像分析难点 | 第24页 |
| 2.2.3 X光胸片的肺结节计算机辅助诊断的研究现状分析 | 第24-27页 |
| 2.3 去肋骨的研究现状 | 第27-30页 |
| 2.3.1 双能减影(Double Energy Subtraction, DES) | 第27-28页 |
| 2.3.2 去肋骨的图像处理方法 | 第28-30页 |
| 2.4 CT影像的肺结节 | 第30-33页 |
| 2.4.1 CT肺结节影像 | 第30-31页 |
| 2.4.2 CT影像肺结节研究现状 | 第31-33页 |
| 2.5 本文提出的研究思路 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 基于深度特征融合的X光胸片肺结节分类 | 第35-49页 |
| 3.1 引言 | 第35页 |
| 3.2 肺结节的X光胸片图像特征 | 第35页 |
| 3.3 X光胸片肺结节检测与分类的问题分析 | 第35-36页 |
| 3.4 基于深度特征融合的肺结节分类算法流程 | 第36-43页 |
| 3.4.1 JSRT数据库介绍 | 第36-37页 |
| 3.4.2 数据预处理 | 第37-38页 |
| 3.4.3 去肋骨 | 第38页 |
| 3.4.4 肺区域分割 | 第38-40页 |
| 3.4.5 候选肺结节检测 | 第40-43页 |
| 3.5 特征提取 | 第43-45页 |
| 3.6 算法性能分析指标 | 第45-46页 |
| 3.7 算法比较讨论与总结 | 第46-47页 |
| 3.8 本章小结 | 第47-49页 |
| 第4章 胸部病变筛选分级诊疗 | 第49-67页 |
| 4.1 引言 | 第49页 |
| 4.2 基于迁移学习和卷积稀疏降噪自编码混合模型的算法 | 第49-64页 |
| 4.2.1 算法设计框架 | 第49-50页 |
| 4.2.2 X光胸片的预处理 | 第50页 |
| 4.2.3 肺区域的分割 | 第50-53页 |
| 4.2.4 特征提取 | 第53-54页 |
| 4.2.5 卷积稀疏降噪自编码 | 第54-58页 |
| 4.2.6 基于深度卷积网络的图像分类 | 第58-62页 |
| 4.2.7 基于ROC曲线的组合分类器 | 第62-64页 |
| 4.3 实验结果与性能分析 | 第64-65页 |
| 4.3.1 实验数据介绍 | 第64页 |
| 4.3.2 实验结果 | 第64页 |
| 4.3.3 实验结果的比较 | 第64-65页 |
| 4.4 本章小结 | 第65-67页 |
| 第5章 基于深度卷积神经网络的肋骨定位分割方法与应用 | 第67-77页 |
| 5.1 引言 | 第67页 |
| 5.2 基于深度回归网络的肋骨标记点检测 | 第67-71页 |
| 5.2.1 肋骨标记点的生成 | 第68-69页 |
| 5.2.2 深度回归网络结构 | 第69页 |
| 5.2.3 实验结果分析 | 第69-71页 |
| 5.3 U-net网络的肋骨图像分割方法 | 第71-75页 |
| 5.3.1 U-net深度卷积神经网络介绍 | 第71页 |
| 5.3.2 网络训练 | 第71-72页 |
| 5.3.3 实验数据 | 第72-73页 |
| 5.3.4 实验结果分析 | 第73-75页 |
| 5.4 本章小结 | 第75-77页 |
| 第6章 基于CT影像的肺结节检测与分类 | 第77-89页 |
| 6.1 引言 | 第77页 |
| 6.2 CT肺结节影像的早期临床表现 | 第77-79页 |
| 6.3 数据预处理 | 第79-82页 |
| 6.3.1 CT影像器官组织 | 第79-80页 |
| 6.3.2 LUNA16数据集 | 第80-81页 |
| 6.3.3 提取肺实质 | 第81-82页 |
| 6.4 肺结节检测 | 第82-84页 |
| 6.4.1 肺结节检测网络结构 | 第82-83页 |
| 6.4.2 网络结构模型的目标函数 | 第83页 |
| 6.4.3 训练过程 | 第83-84页 |
| 6.5 基于特征金字塔网络的肺结节分类 | 第84-87页 |
| 6.5.1 数据增强 | 第85-86页 |
| 6.5.2 实验结果分析 | 第86-87页 |
| 6.6 本章小结 | 第87-89页 |
| 第7章 总结与展望 | 第89-91页 |
| 7.1 本文主要研究的工作总结 | 第89页 |
| 7.2 未来的研究工作 | 第89-91页 |
| 参考文献 | 第91-99页 |
| 致谢 | 第99-101页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第101页 |
| 作者简历 | 第101页 |
| 攻读学位期间发表的学术期刊论文 | 第101页 |
| 攻读学位期间参加的科研项目 | 第101页 |
