| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 深度学习的发展历程 | 第12-13页 |
| 1.2.2 深度学习在医学图像识别中的研究现状 | 第13-14页 |
| 1.3 存在问题 | 第14-16页 |
| 1.3.1 医学图像识别的挑战 | 第14-15页 |
| 1.3.2 传统医学图像识别方法存在的问题 | 第15-16页 |
| 1.4 论文的研究内容与创新 | 第16-17页 |
| 1.5 论文的结构安排 | 第17-19页 |
| 第二章 深度学习 | 第19-39页 |
| 2.1 深度学习基础 | 第19-21页 |
| 2.1.1 深度学习的基本思想 | 第19-20页 |
| 2.1.2 浅层学习与深度学习 | 第20-21页 |
| 2.2 深度学习常用模型结构 | 第21-27页 |
| 2.2.1 受限玻尔兹曼机(RBM) | 第21-22页 |
| 2.2.2 深度信念网络(DBN) | 第22-25页 |
| 2.2.3 深度玻尔兹曼机(DBM) | 第25-27页 |
| 2.3 卷积神经网络 | 第27-37页 |
| 2.3.1 卷积神经网络的结构 | 第27-31页 |
| 2.3.2 卷积神经网络的局部连接与参数共享 | 第31-33页 |
| 2.3.3 卷积神经网络的参数更新 | 第33-36页 |
| 2.3.4 卷积神经网络存在的问题 | 第36-37页 |
| 2.4 本章小结 | 第37-39页 |
| 第三章 自适应卷积神经网络在乳腺钼靶X线图像上的识别 | 第39-51页 |
| 3.1 引言 | 第39-40页 |
| 3.2 乳腺癌数据库描述及图像预处理 | 第40-42页 |
| 3.2.1 乳腺癌数据库描述 | 第40页 |
| 3.2.2 图像预处理过程 | 第40-42页 |
| 3.3 自适应卷积神经网络模型 | 第42-43页 |
| 3.4 卷积神经网络的优化方法 | 第43-45页 |
| 3.4.1 加速训练方法—批量归一化算法 | 第43-44页 |
| 3.4.2 提高分类精度方法—参数化线性修正单元 | 第44-45页 |
| 3.5 策略选择的实验和分析 | 第45-50页 |
| 3.5.1 网络层数的选择比对 | 第45-46页 |
| 3.5.2 卷积核个数的选择比对 | 第46-47页 |
| 3.5.3 网络优化前后实验对比 | 第47-48页 |
| 3.5.4 自适应网络模型确定 | 第48-49页 |
| 3.5.5 与经典网络模型的对比 | 第49-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 多尺度自适应卷积神经网络在乳腺钼靶X线图像上的识别 | 第51-63页 |
| 4.1 引言 | 第51页 |
| 4.2 多尺度最大池化策略 | 第51-52页 |
| 4.3 多尺度自适应卷积神经网络模型 | 第52-53页 |
| 4.4 自适应学习率算法 | 第53-56页 |
| 4.4.1 AdaGrad算法 | 第53-54页 |
| 4.4.2 RMSProp算法 | 第54-55页 |
| 4.4.3 Adam算法 | 第55-56页 |
| 4.5 实验结果对比及分析 | 第56-62页 |
| 4.5.1 池化策略选择的结果对比 | 第56-57页 |
| 4.5.2 自适应学习率算法的选择对比 | 第57-59页 |
| 4.5.3 多尺度自适应卷积神经网络模型识别过程可视化 | 第59-61页 |
| 4.5.4 与其他识别方法的对比 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-67页 |
| 5.1 研究总结 | 第63-64页 |
| 5.2 研究展望 | 第64-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-75页 |
| 攻读硕士学位期间发表的学术论文目录 | 第75页 |
