| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 论文研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 医学图像分割 | 第12-13页 |
| 1.2.2 医学图像分类 | 第13-14页 |
| 1.3 课题来源与主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-18页 |
| 第二章 医学图像处理相关技术概述 | 第18-32页 |
| 2.1 低剂量CT扫描技术相关内容 | 第19-20页 |
| 2.2 图像分割方法 | 第20-26页 |
| 2.3 图像分类方法 | 第26-31页 |
| 2.3.1 传统分类算法 | 第26-28页 |
| 2.3.2 字典学习算法 | 第28-29页 |
| 2.3.3 卷积神经网络 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 序列CT图像中肺实质分割 | 第32-46页 |
| 3.1 Nystrom逼近理论推广及在谱聚类中的应用 | 第32-33页 |
| 3.1.1 Nystrom逼近理论推广 | 第32-33页 |
| 3.1.2 Nystrom逼近理论推广在谱聚类中的应用 | 第33页 |
| 3.2 测地线活动轮廓(GAC)模型 | 第33-35页 |
| 3.3 基于改进的GAC模型序列肺实质分割算法 | 第35-40页 |
| 3.3.1 初始轮廓的构造 | 第35-37页 |
| 3.3.2 改进的GAC模型 | 第37-40页 |
| 3.3.3 序列肺实质的分割 | 第40页 |
| 3.4 实验结果分析 | 第40-44页 |
| 3.4.1 实验环境与数据来源 | 第40页 |
| 3.4.2 分割算法评价指标 | 第40-41页 |
| 3.4.3 实验结果及讨论 | 第41-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 基于CNN-DPL的肺结节分类 | 第46-60页 |
| 4.1 字典对学习算法 | 第46-48页 |
| 4.2 基于CNN-DPL的肺结节分类模型构建 | 第48-52页 |
| 4.2.1 分类模型构建原理 | 第48页 |
| 4.2.2 分类模型构建 | 第48-52页 |
| 4.2.3 基于CNN-DPL的肺结节分类 | 第52页 |
| 4.3 实验结果分析 | 第52-57页 |
| 4.3.1 实验环境与数据来源 | 第52-53页 |
| 4.3.2 分类算法评价指标 | 第53页 |
| 4.3.3 实验结果及讨论 | 第53-57页 |
| 4.4 本章小结 | 第57-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 未来展望 | 第61-62页 |
| 参考文献 | 第62-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间发表的学术论文目录 | 第72页 |