深度卷积神经网络在甲状腺超声图像中的分类研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 主要研究内容 | 第9-10页 |
| 1.4 论文组织结构 | 第10-11页 |
| 第二章 甲状腺超声图像分类技术概述 | 第11-20页 |
| 2.1 甲状腺超声图像研究概况 | 第11-14页 |
| 2.1.1 甲状腺超声图像数据介绍 | 第11-12页 |
| 2.1.2 甲状腺结节患者临床样本分析 | 第12-14页 |
| 2.2 甲状腺超声图像评估分析 | 第14-15页 |
| 2.2.1 TI-RADS标准 | 第14-15页 |
| 2.2.2 甲状腺超声诊断 | 第15页 |
| 2.3 甲状腺超声图像分类方法 | 第15-19页 |
| 2.3.1 基于集成学习的分类算法 | 第15-17页 |
| 2.3.2 基于人工神经网络的分类算法 | 第17-18页 |
| 2.3.3 基于深度学习的分类算法 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 甲状腺超声图像的卷积神经网络分类模型构建 | 第20-30页 |
| 3.1 深度学习神经网络介绍 | 第20页 |
| 3.2 卷积神经网络构建 | 第20-25页 |
| 3.2.1 神经元与多层感知器构建 | 第21-22页 |
| 3.2.2 激活函数选取 | 第22-23页 |
| 3.2.3 卷积结构构建 | 第23-24页 |
| 3.2.4 池化结构构建 | 第24-25页 |
| 3.3 甲状腺超声图像分类模型改进 | 第25-29页 |
| 3.3.1 多方向滤波图像增强 | 第25-27页 |
| 3.3.2 Softmax分类器正则化 | 第27-28页 |
| 3.3.3 全连接层特征空间映射 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 基于深度残差神经网络的分类模型构建研究 | 第30-39页 |
| 4.1 残差学习理论思想 | 第30页 |
| 4.2 跨层连接设计分析 | 第30-32页 |
| 4.2.1 非线性映射与恒等映射分析 | 第30-31页 |
| 4.2.2 恒等残差块设计 | 第31-32页 |
| 4.3 甲状腺超声图像残差网络模型影响因素 | 第32-36页 |
| 4.3.1 GPU运行的影响 | 第32-33页 |
| 4.3.2 残差函数的影响 | 第33-34页 |
| 4.3.3 t-SNE降维的影响 | 第34-35页 |
| 4.3.4 迭代次数的影响 | 第35-36页 |
| 4.4 甲状腺超声图像跨层连接分类模型 | 第36-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第五章 实验与相关分析 | 第39-49页 |
| 5.1 甲状腺超声图像实验数据集 | 第39-40页 |
| 5.2 实验评价指标 | 第40-42页 |
| 5.3 实验设计与结果分析 | 第42-48页 |
| 5.3.1 数据脱敏 | 第42-44页 |
| 5.3.2 甲状腺超声图像结节检测分析 | 第44-45页 |
| 5.3.3 甲状腺超声图像结节良恶性分类分析 | 第45-48页 |
| 5.4 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-50页 |
| 6.1 总结 | 第49页 |
| 6.2 展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |
| 个人简介及攻读硕士学位期间论文发表情况 | 第54页 |
