| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.2.1 理论意义 | 第10页 |
| 1.2.2 现实意义 | 第10-11页 |
| 1.3 研究内容及技术路线 | 第11-14页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 技术路线 | 第12-14页 |
| 1.4 本文结构 | 第14页 |
| 1.5 创新点 | 第14-15页 |
| 2 肺结节检测问题和相关理论研究综述 | 第15-28页 |
| 2.1 肺结节检测问题综述 | 第15-16页 |
| 2.1.1 数学形态学方法 | 第15页 |
| 2.1.2 传统的机器学习方法 | 第15-16页 |
| 2.1.3 迁移学习和CNN方法 | 第16页 |
| 2.2 迁移学习理论综述 | 第16-22页 |
| 2.2.1 迁移学习的产生及发展简史 | 第17-18页 |
| 2.2.2 迁移学习问题分类 | 第18-20页 |
| 2.2.3 迁移学习研究现状 | 第20-22页 |
| 2.3 卷积神经网络理论综述 | 第22-28页 |
| 2.3.1 卷积神经网络基本原理 | 第22-25页 |
| 2.3.2 卷积神经网络研究历史 | 第25-26页 |
| 2.3.3 卷积神经网络研究现状 | 第26-28页 |
| 3 肺部CT图像预处理 | 第28-36页 |
| 3.1 问题描述 | 第28页 |
| 3.2 实验数据 | 第28-29页 |
| 3.3 肺部CT图像预处理 | 第29-35页 |
| 3.3.1 读取肺部CT图像 | 第29-31页 |
| 3.3.2 降噪 | 第31-32页 |
| 3.3.3 二值化 | 第32-34页 |
| 3.3.4 腐蚀和膨胀 | 第34页 |
| 3.3.5 提取感兴趣区域 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 基于迁移学习和CNN的肺结节检测 | 第36-51页 |
| 4.1 问题描述 | 第36页 |
| 4.2 迁移学习概念 | 第36-37页 |
| 4.3 实验环境 | 第37-38页 |
| 4.4 实验方法 | 第38-47页 |
| 4.4.1 AlexNet网络结构 | 第38-40页 |
| 4.4.2 ImageNet大规模标记自然图像数据集 | 第40-41页 |
| 4.4.3 直接训练网络模型参数进行肺结节图像检测 | 第41-45页 |
| 4.4.4 微调迁移学习进行肺结节图像检测 | 第45-47页 |
| 4.4.5 不同层网络参数对肺结节分类性能影响 | 第47页 |
| 4.5 实验结果分析 | 第47-48页 |
| 4.6 对比分析 | 第48-50页 |
| 4.7 本章小结 | 第50-51页 |
| 5 总结与展望 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 后记 | 第58-59页 |