| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 1 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-15页 |
| 1.2.1 医学影像发展现状 | 第11-12页 |
| 1.2.2 医学图像分类方法的发展现状 | 第12-15页 |
| 1.3 本文使用的相关内容介绍 | 第15-18页 |
| 1.3.1 使用的数据库介绍 | 第15-17页 |
| 1.3.2 分类精度评价指标 | 第17-18页 |
| 1.4 本文的主要工作和结构安排 | 第18-20页 |
| 2 医学图像分类预处理技术研究 | 第20-31页 |
| 2.1 医学图像的获取与特点 | 第20-22页 |
| 2.1.1 DICOM 3.0标准 | 第20-21页 |
| 2.1.2 DICOM文件 | 第21页 |
| 2.1.3 医学图像的特点 | 第21-22页 |
| 2.2 医学图像的预处理与ROI区域分割 | 第22-26页 |
| 2.2.1 医学图像的预处理 | 第22-23页 |
| 2.2.2 医学图像的ROI区域分割 | 第23-26页 |
| 2.3 医学图像低层次特征的提取方法 | 第26-30页 |
| 2.3.1 基于纹理特征的医学图像特征表达方法 | 第27-29页 |
| 2.3.2 基于局部特征的医学图像特征表达方法 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 基于浅层网络结构模型的分类方法研究 | 第31-45页 |
| 3.1 浅层网络特征学习过程 | 第31-32页 |
| 3.2 受限玻尔兹曼机 | 第32-34页 |
| 3.3 稀疏自动编码机 | 第34-36页 |
| 3.4 人工神经网络 | 第36-42页 |
| 3.4.1 生物神经元 | 第36-37页 |
| 3.4.2 人工神经元模型 | 第37-38页 |
| 3.4.3 人工神经网络 | 第38-40页 |
| 3.4.4 误差反向传播算法 | 第40-42页 |
| 3.5 基于浅层网络结构模型的乳腺肿瘤X线图像数据分类研究 | 第42-44页 |
| 3.5.1 实验参数设置 | 第42页 |
| 3.5.2 实验结果分析 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 4 基于深度学习的分类方法研究 | 第45-65页 |
| 4.1 深度学习介绍 | 第45页 |
| 4.2 深度学习网络结构模型 | 第45-49页 |
| 4.2.1 深度信念网络 | 第45-47页 |
| 4.2.2 栈式自动编码机 | 第47页 |
| 4.2.3 卷积神经网络 | 第47-49页 |
| 4.3 基于深度学习网络结构模型的乳腺肿瘤X线图像数据分类研究 | 第49-58页 |
| 4.3.1 实验参数设置 | 第49-51页 |
| 4.3.2 实验结果对比分析 | 第51-58页 |
| 4.4 基于卷积深度信念网络的肺结节CT图像数据分类研究 | 第58-64页 |
| 4.4.1 卷积信念网络 | 第58页 |
| 4.4.2 实验参数设置 | 第58-59页 |
| 4.4.3 实验结果对比分析 | 第59-64页 |
| 4.5 结论 | 第64-65页 |
| 5 总结与展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间取得的研究成果 | 第71-73页 |
