| 摘要 | 第8-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 研究现状 | 第14-17页 |
| 1.3 存在的挑战 | 第17-18页 |
| 1.4 本文工作 | 第18-19页 |
| 1.5 论文的组织结构 | 第19-20页 |
| 第二章 相关方法概述 | 第20-28页 |
| 2.1 集成学习和随机森林 | 第20-23页 |
| 2.1.1 集成学习 | 第20-22页 |
| 2.1.2 随机森林 | 第22-23页 |
| 2.2 深度学习和卷积神经网络 | 第23-26页 |
| 2.2.1 深度学习 | 第23-24页 |
| 2.2.2 卷积神经网络 | 第24-26页 |
| 2.3 Gabor滤波器和局部二值模式 | 第26-28页 |
| 2.3.1 Gabor滤波器 | 第26-27页 |
| 2.3.2 局部二值模式 | 第27-28页 |
| 第三章 基于卷积神经网络和随机森林的肺部组织分类 | 第28-40页 |
| 3.1 问题的提出 | 第28页 |
| 3.2 方法流程 | 第28-30页 |
| 3.2.1 数据准备 | 第29页 |
| 3.2.2 提取特征 | 第29-30页 |
| 3.2.3 随机森林分类 | 第30页 |
| 3.3 数据库和评价指标 | 第30-32页 |
| 3.3.1 实验数据库 | 第30-31页 |
| 3.3.2 评价指标 | 第31-32页 |
| 3.4 实验结果 | 第32-38页 |
| 3.4.1 实验环境 | 第32页 |
| 3.4.2 分类结果 | 第32-33页 |
| 3.4.3 数据不平衡 | 第33-35页 |
| 3.4.4 不同网络结构 | 第35-37页 |
| 3.4.5 不同分类器 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于多尺度和旋转不变卷积神经网络的肺部组织分类 | 第40-52页 |
| 4.1 问题的提出 | 第40-41页 |
| 4.2 方法流程 | 第41-42页 |
| 4.2.1 Gabor-LBP图像 | 第41页 |
| 4.2.2 CNN分类 | 第41-42页 |
| 4.3 实验与分析 | 第42-51页 |
| 4.3.1 实验环境 | 第42页 |
| 4.3.2 图像块分类 | 第42-43页 |
| 4.3.3 MRCNN模型评价 | 第43-45页 |
| 4.3.4 CNN结构设计 | 第45-46页 |
| 4.3.5 不同融合方法评价 | 第46-47页 |
| 4.3.6 平衡数据VS不平衡数据 | 第47-48页 |
| 4.3.7 与手工设计的特征比较 | 第48-49页 |
| 4.3.8 与其他特征学习方法的比较 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 总结与探讨 | 第52-54页 |
| 参考文献 | 第54-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间发表的学术论文 | 第62-63页 |
| 攻读学位期间参加的项目 | 第63-64页 |
| 附件 | 第64页 |