| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景和研究意义 | 第9页 |
| 1.2 CT图像相关知识 | 第9-11页 |
| 1.2.1 CT成像原理 | 第9-10页 |
| 1.2.2 CT成像设备 | 第10页 |
| 1.2.3 CT图像特点 | 第10-11页 |
| 1.3 本课题的研究现状和存在的问题 | 第11-12页 |
| 1.4 本文的主要研究内容和结构安排 | 第12-14页 |
| 第2章 基础理论和相关技术 | 第14-33页 |
| 2.1 卷积神经网络 | 第14-20页 |
| 2.1.1 深度学习概述 | 第14-16页 |
| 2.1.2 图像卷积和卷积核 | 第16-17页 |
| 2.1.3 局部感受野和权值共享 | 第17-18页 |
| 2.1.4 池化 | 第18页 |
| 2.1.5 激励函数 | 第18-19页 |
| 2.1.6 Dropout | 第19-20页 |
| 2.2 目标检测算法 | 第20-32页 |
| 2.2.1 目标检测算法流程 | 第20-25页 |
| 2.2.2 基于深度学习的目标检测算法 | 第25-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 基于YOLO算法的医学CT图像中器官的区域检测 | 第33-52页 |
| 3.1 问题描述 | 第33-36页 |
| 3.1.1 腹部CT图像数据集 | 第34-35页 |
| 3.1.2 器官区域检测的结果评价标准 | 第35-36页 |
| 3.2 医学CT图像中器官区域检测的实现 | 第36-45页 |
| 3.2.1 本文使用的基于深度学习的目标检测算法 | 第36-38页 |
| 3.2.2 训练样本标注 | 第38页 |
| 3.2.3 小样本下卷积神经网络训练 | 第38-40页 |
| 3.2.4 YOLO目标检测算法参数设置 | 第40-42页 |
| 3.2.5 YOLO卷积神经网络训练过程 | 第42页 |
| 3.2.6 实验结果和分析 | 第42-45页 |
| 3.3 图像连通性修正器官区域 | 第45-51页 |
| 3.3.1 YOLO目标检测算法检测出的器官区域存在的问题 | 第45-47页 |
| 3.3.2 器官区域的连通性 | 第47-49页 |
| 3.3.3 器官区域修正流程 | 第49-50页 |
| 3.3.4 器官区域修正结果 | 第50-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第4章 改进的YOLO卷积神经网络模型 | 第52-65页 |
| 4.1 bounding box的改进 | 第52-55页 |
| 4.1.1 矩形bounding box和圆形bounding box对比 | 第52-53页 |
| 4.1.2 针对圆形bounding box设计的损失函数 | 第53-55页 |
| 4.2 YOLO卷积神经网络结构的改进 | 第55-59页 |
| 4.2.1 Inception结构 | 第55-56页 |
| 4.2.2 YOLO卷积神经网络结合Inception结构 | 第56-59页 |
| 4.3 改进的YOLO卷积神经网络模型在器官区域检测上的应用 | 第59-63页 |
| 4.3.1 基于改进的YOLO卷积神经网络的器官区域检测流程 | 第59-60页 |
| 4.3.2 改进的YOLO卷积神经网络模型参数设置 | 第60-61页 |
| 4.3.3 改进的YOLO卷积神经网络训练过程 | 第61页 |
| 4.3.4 实验结果和对比分析 | 第61-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 工作总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72页 |
