基于CT图像的肺结节自动识别系统研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 课题研究的目的和内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 第2章 CT图像预处理 | 第13-25页 |
| 2.1 肺结节概述 | 第13-14页 |
| 2.2 常用图像分割算法 | 第14-19页 |
| 2.2.1 区域生长法 | 第15页 |
| 2.2.2 阈值法 | 第15-17页 |
| 2.2.3 聚类的方法 | 第17-18页 |
| 2.2.4 其它方法 | 第18页 |
| 2.2.5 形态学处理 | 第18-19页 |
| 2.3 基于迭代阈值法的ROI提取 | 第19-24页 |
| 2.3.1 肺实质分割 | 第19-22页 |
| 2.3.2 ROI提取 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于SVM的肺结节识别 | 第25-39页 |
| 3.1 特征提取 | 第25-28页 |
| 3.1.1 灰度特征和纹理特征 | 第25-26页 |
| 3.1.2 形态特征 | 第26-28页 |
| 3.2 支持向量机 | 第28-33页 |
| 3.3 实验仿真和分析 | 第33-38页 |
| 3.3.1 肺结节识别评价方法 | 第33-34页 |
| 3.3.2 肺结节图像数据库 | 第34-35页 |
| 3.3.3 特征提取结果 | 第35-36页 |
| 3.3.4 识别结果和分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于CNN的肺结节识别 | 第39-56页 |
| 4.1 神经网络和反向传播算法 | 第39-41页 |
| 4.2 卷积神经网络 | 第41-50页 |
| 4.2.1 卷积神经网络 | 第41-47页 |
| 4.2.2 softmax | 第47-50页 |
| 4.3 实验仿真和分析 | 第50-55页 |
| 4.3.1 数据准备 | 第50-52页 |
| 4.3.2 CNN模型 | 第52-53页 |
| 4.3.3 实验结果和分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 肺结节CT图像辅助诊断系统设计与实现 | 第56-65页 |
| 5.1 系统设计 | 第56页 |
| 5.2 数据解析和存储 | 第56-59页 |
| 5.3 前端功能展示 | 第59-62页 |
| 5.4 系统测试 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第6章 总结和展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 作者在学习期间取得的科研成果 | 第70页 |
