基于卷积神经网络的肺结节区域分割研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 深度学习研究现状 | 第12-14页 |
| 1.2.2 医学图像处理技术的研究现状 | 第14-15页 |
| 1.3 本文研究内容及结构安排 | 第15-17页 |
| 第2章 相关理论介绍 | 第17-32页 |
| 2.1 肺结节概述 | 第17页 |
| 2.2 DICOM文件解析 | 第17-21页 |
| 2.2.1 DICOM标准简介 | 第17-18页 |
| 2.2.2 DICOM文件结构 | 第18-20页 |
| 2.2.3 DICOM文件解析过程 | 第20-21页 |
| 2.3 传统图像分割方法 | 第21-23页 |
| 2.3.1 基于阈值的分割方法 | 第21-22页 |
| 2.3.2 基于区域的分割方法 | 第22页 |
| 2.3.3 基于边缘的分割方法 | 第22-23页 |
| 2.3.4 基于图论的分割方法 | 第23页 |
| 2.4 深度神经网络 | 第23-29页 |
| 2.5 卷积神经网络 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于全卷积神经网络模型的肺结节分割 | 第32-42页 |
| 3.1 全卷积神经网络结构 | 第32-36页 |
| 3.1.1 VGGNet简介 | 第33-35页 |
| 3.1.2 FCN-VGG16结构 | 第35-36页 |
| 3.2 实验与结果分析 | 第36-41页 |
| 3.2.1 数据集介绍 | 第36-38页 |
| 3.2.2 实验环境搭建 | 第38-39页 |
| 3.2.3 实验设计 | 第39页 |
| 3.2.4 结果分析 | 第39-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第4章 基于迁移学习的肺结节区域的分割研究 | 第42-51页 |
| 4.1 迁移学习 | 第42页 |
| 4.2 数据集处理 | 第42-44页 |
| 4.2.1 图像标签制作 | 第42-44页 |
| 4.2.2 数据增强 | 第44页 |
| 4.3 权值迁移的全卷积神经网络 | 第44-46页 |
| 4.4 实验结果与分析 | 第46-49页 |
| 4.4.1 评价指标的验证 | 第46-47页 |
| 4.4.2 分割结果对比 | 第47-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 本文总结 | 第51-52页 |
| 5.2 本文展望 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 作者简介及在学期间所取得的科研成果 | 第58-59页 |
| 致谢 | 第59页 |
