基于深度学习的医学图像处理：气胸的诊断与分析
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究目的与意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国内研究现状 | 第12-13页 |
| 1.2.2 国外研究现状 | 第13-14页 |
| 1.3 论文主要内容及结构 | 第14-16页 |
| 第二章 深度学习简介 | 第16-24页 |
| 2.1 卷积神经网络 | 第16-17页 |
| 2.1.1 卷积 | 第16页 |
| 2.1.2 池化 | 第16-17页 |
| 2.2 深度学习与非凸优化 | 第17页 |
| 2.3 网络优化策略 | 第17-23页 |
| 2.3.1 批标准化 | 第17-18页 |
| 2.3.2 学习率与批尺寸 | 第18-20页 |
| 2.3.3 正则化与Dropout | 第20页 |
| 2.3.4 激活函数 | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 数据准备及清洗 | 第24-33页 |
| 3.1 数据准备 | 第24-27页 |
| 3.1.1 数据集介绍 | 第24-26页 |
| 3.1.2 图像格式转换 | 第26-27页 |
| 3.2 数据清洗 | 第27-32页 |
| 3.2.1 NIN网络介绍 | 第28-29页 |
| 3.2.2 正侧位胸片分类 | 第29-30页 |
| 3.2.3 不同朝向胸片分类 | 第30-31页 |
| 3.2.4 清洗结果 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 基于深度学习的气胸诊断 | 第33-42页 |
| 4.1 模型选择 | 第33页 |
| 4.2 数据集的划分 | 第33-34页 |
| 4.3 数据集不均衡处理 | 第34-36页 |
| 4.3.1 直接训练 | 第34页 |
| 4.3.2 下采样 | 第34页 |
| 4.3.3 上采样 | 第34-35页 |
| 4.3.4 调整类别权重 | 第35页 |
| 4.3.5 多模型融合 | 第35页 |
| 4.3.6 上采样与实时数据扩增 | 第35页 |
| 4.3.7 结果分析 | 第35-36页 |
| 4.4 提升网络性能 | 第36-38页 |
| 4.4.1 调节网络参数 | 第37页 |
| 4.4.2 全局平均池化 | 第37页 |
| 4.4.3 增加新的数据集 | 第37页 |
| 4.4.4 结果分析 | 第37-38页 |
| 4.5 高分辨率网络设计 | 第38-41页 |
| 4.5.1 ChestNet | 第38-40页 |
| 4.5.2 切片分类网络 | 第40-41页 |
| 4.5.3 实验结果分析 | 第41页 |
| 4.6 本章小结 | 第41-42页 |
| 第五章 随机直方图均衡化 | 第42-49页 |
| 5.1 胸片扩增方法局限性 | 第42页 |
| 5.2 随机直方图均衡化 | 第42-44页 |
| 5.2.1 直方图均衡化 | 第42-43页 |
| 5.2.2 随机直方图均衡化 | 第43-44页 |
| 5.3 有效性分析 | 第44页 |
| 5.4 有效性验证 | 第44-46页 |
| 5.5 结果分析 | 第46-48页 |
| 5.5.1 时间复杂度分析 | 第46页 |
| 5.5.2 性能度量 | 第46-48页 |
| 5.6 本章小结 | 第48-49页 |
| 第六章 深度学习可视化分析 | 第49-57页 |
| 6.1 可视化介绍 | 第49页 |
| 6.2 纹理可视化 | 第49-51页 |
| 6.3 热力图可视化 | 第51-53页 |
| 6.4 实验结果分析 | 第53-55页 |
| 6.4.1 可视化结果 | 第53-54页 |
| 6.4.2 纹理与热力图可视化对比 | 第54页 |
| 6.4.3 异常分析 | 第54-55页 |
| 6.5 疾病特征探索 | 第55-56页 |
| 6.6 本章小结 | 第56-57页 |
| 第七章 总结与展望 | 第57-59页 |
| 7.1 总结 | 第57页 |
| 7.2 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 详细摘要 | 第65-67页 |
