基于深度学习框架的肺结节诊断方法设计与实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 课题研究意义及目的 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 本课题的研究内容及章节安排 | 第15-19页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 论文结构 | 第16-19页 |
| 第2章 肺部医学影像数据集建立 | 第19-27页 |
| 2.1 医学影像简介 | 第19-20页 |
| 2.2 肺结节CT特征 | 第20-22页 |
| 2.2.1 形态学特征 | 第21-22页 |
| 2.2.2 结节的界面征 | 第22页 |
| 2.3 数据集的建立 | 第22-25页 |
| 2.3.1 深度特征的优势 | 第22-23页 |
| 2.3.2 数据集的建立 | 第23-25页 |
| 2.4 小结 | 第25-27页 |
| 第3章 基于CNN的肺结节良恶性诊断 | 第27-39页 |
| 3.1 卷积神经网络 | 第27-33页 |
| 3.1.1 神经网络 | 第27-29页 |
| 3.1.2 局部感知 | 第29-30页 |
| 3.1.3 参数共享 | 第30-31页 |
| 3.1.4 池化 | 第31-32页 |
| 3.1.5 Softmax回归分类 | 第32-33页 |
| 3.2 基于卷积神经网络的肺结节良恶性诊断 | 第33-35页 |
| 3.2.1 输入数据的选取 | 第33-34页 |
| 3.2.2 网络模型的建立与诊断 | 第34-35页 |
| 3.3 实验结果与分析 | 第35-38页 |
| 3.4 小结 | 第38-39页 |
| 第4章 基于Keras框架的改进CNN模型设计 | 第39-53页 |
| 4.1 Keras框架简介 | 第39-41页 |
| 4.2 CNN模型分析 | 第41-49页 |
| 4.2.1 模型深度构建 | 第41-42页 |
| 4.2.2 激活函数选取 | 第42-45页 |
| 4.2.3 分类器选择 | 第45-49页 |
| 4.3 实验结果与分析 | 第49-52页 |
| 4.4 小结 | 第52-53页 |
| 第5章 基于LCNN的肺结节良恶性诊断 | 第53-63页 |
| 5.1 LCNN简介 | 第53-54页 |
| 5.2 模型设计与实现 | 第54-58页 |
| 5.2.1 Dropout算法 | 第54-56页 |
| 5.2.2 融合自编码神经网络 | 第56-58页 |
| 5.3 实验结果与分析 | 第58-62页 |
| 5.4 小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63页 |
| 6.2 问题与展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71页 |
