基于卷积神经网络的肺结节分类算法的研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 论文研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 图像分割 | 第12-13页 |
| 1.2.2 图像分类 | 第13-14页 |
| 1.3 主要研究目的和内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 CT图像中肺结节的特征与图像处理技术 | 第16-34页 |
| 2.1 CT图像中肺结节的特征 | 第16-19页 |
| 2.1.1 CT图像的主要特征 | 第16-18页 |
| 2.1.2 肺结节的主要特征 | 第18-19页 |
| 2.2 图像分割方法 | 第19-22页 |
| 2.2.1 传统分割方法 | 第19-22页 |
| 2.2.2 ROI分割方法 | 第22页 |
| 2.3 图像分类方法 | 第22-33页 |
| 2.3.1 传统分类方法 | 第22-25页 |
| 2.3.2 深度学习 | 第25-26页 |
| 2.3.3 卷积神经网络 | 第26-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 肺部CT图像的ROI提取 | 第34-44页 |
| 3.1 提取ROI流程 | 第34-35页 |
| 3.2 肺部CT图像的增强 | 第35-37页 |
| 3.3 肺实质的分割 | 第37-41页 |
| 3.3.1 迭代阈值法二值化CT图像 | 第37-38页 |
| 3.3.2 形态学处理提取肺实质 | 第38-41页 |
| 3.4 ROI提取 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于卷积神经网络的肺结节分类模型 | 第44-56页 |
| 4.1 卷积神经网络模型的分类流程 | 第44-45页 |
| 4.2 实验环境与LIDC图像数据库 | 第45-46页 |
| 4.2.1 实验环境 | 第45-46页 |
| 4.2.2 LIDC图像数据库 | 第46页 |
| 4.3 卷积神经网络模型 | 第46-47页 |
| 4.4 仿真实验和结果分析 | 第47-54页 |
| 4.4.1 评价标准 | 第47-49页 |
| 4.4.2 相关参数设置的讨论 | 第49-52页 |
| 4.4.3 预处理对实验结果的影响 | 第52-53页 |
| 4.4.4 与其他方法的对比 | 第53-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间发表的学术论文目录 | 第64页 |
