基于深度学习与影像组学的乳腺钙化诊断方法
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题的研究背景及意义 | 第10-13页 |
| 1.2 论文的组织结构 | 第13-14页 |
| 第二章 相关理论和技术 | 第14-21页 |
| 2.1 乳腺X线摄影检查 | 第14-15页 |
| 2.2 计算机辅助诊断系统 | 第15-17页 |
| 2.3 影像组学特征 | 第17-19页 |
| 2.4 深度卷积神经网络 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 基于形态学变换与小波重构的钙化检测与分割 | 第21-31页 |
| 3.1 图像基础技术简介 | 第21-26页 |
| 3.1.1 形态学变换 | 第21-23页 |
| 3.1.2 最大类间方差法分割 | 第23-24页 |
| 3.1.3 小波分解与重构 | 第24-26页 |
| 3.2 基于形态学变换的钙化可疑病灶提取方法 | 第26-27页 |
| 3.3 基于小波重构的钙化精分割 | 第27-28页 |
| 3.4 实验结果分析 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于影像组学的钙化病理诊断 | 第31-56页 |
| 4.1 影像组学特征提取 | 第31-38页 |
| 4.1.1 形态特征 | 第31-35页 |
| 4.1.2 纹理特征 | 第35-38页 |
| 4.2 特征选择 | 第38-40页 |
| 4.3 特征分类 | 第40-44页 |
| 4.4 实验的结果与分析 | 第44-55页 |
| 4.4.1 数据集与评判标准 | 第44-47页 |
| 4.4.2 实验结果 | 第47-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 基于深度特征的钙化病理诊断 | 第56-71页 |
| 5.1 卷积神经网络 | 第56-58页 |
| 5.2 训练策略 | 第58-59页 |
| 5.3 基于传统特征与典型关联分析的特征筛选 | 第59-62页 |
| 5.4 基于深度特征的可视化 | 第62-63页 |
| 5.5 实验结果与分析 | 第63-70页 |
| 5.5.1 数据集与评判标准 | 第63-64页 |
| 5.5.2 实验结果 | 第64-70页 |
| 5.6 本章小结 | 第70-71页 |
| 总结与展望 | 第71-73页 |
| 总结 | 第71-72页 |
| 展望 | 第72-73页 |
| 参考文献 | 第73-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-83页 |
| 致谢 | 第83-84页 |
| 附录 | 第84页 |
