| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状及分析 | 第11-13页 |
| 1.2.1 国内外研究现状 | 第11-12页 |
| 1.2.2 研究现状分析 | 第12-13页 |
| 1.3 论文的主要研究内容 | 第13-14页 |
| 第2章 基于超声图像的腹部器官分类 | 第14-30页 |
| 2.1 引言 | 第14页 |
| 2.2 卷积神经网络模型 | 第14-16页 |
| 2.3 腹部器官数据标注与预处理 | 第16-18页 |
| 2.3.1 腹部超声图像数据采集与标注 | 第16-17页 |
| 2.3.2 腹部超声图像预处理 | 第17-18页 |
| 2.4 腹部器官分类器的搭建与实验 | 第18-22页 |
| 2.4.1 基于DenseNet的分类器网络搭建 | 第18-19页 |
| 2.4.2 分类器网络参数调试与网络修改 | 第19-22页 |
| 2.5 基于迁移学习的模型改进 | 第22-28页 |
| 2.5.1 迁移学习 | 第22-23页 |
| 2.5.2 基于迁移学习的实验与分析 | 第23-26页 |
| 2.5.3 CNN算法解释性分析 | 第26-28页 |
| 2.6 本章小结 | 第28-30页 |
| 第3章 基于超声图像的腹部器官分割定位 | 第30-46页 |
| 3.1 引言 | 第30页 |
| 3.2 基于神经网络的图像分割算法 | 第30-34页 |
| 3.2.1 全卷积神经网络分析 | 第30-32页 |
| 3.2.2 U-Net网络搭建 | 第32-34页 |
| 3.3 U-Net网络分割实验与分析 | 第34-39页 |
| 3.3.1 基于U-Net的图像分割 | 第34-37页 |
| 3.3.2 评价指标与实验结果分析 | 第37-39页 |
| 3.4 结合先验专家知识改进分割算法 | 第39-44页 |
| 3.4.1 腹部器官的结构特点 | 第39-40页 |
| 3.4.2 改进算法的逻辑设计 | 第40-43页 |
| 3.4.3 改进算法实验结果评价与分析 | 第43-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 肝脏疾病智能诊断 | 第46-59页 |
| 4.1 引言 | 第46页 |
| 4.2 基于经典机器学习理论的算法 | 第46-49页 |
| 4.2.1 支持向量机算法原理 | 第46-48页 |
| 4.2.2 XGBoost算法原理 | 第48-49页 |
| 4.3 卷积神经网络实现肝脏弥漫性疾病分类 | 第49-52页 |
| 4.3.1 肝脏弥漫性疾病超声图像采集与预处理 | 第49-50页 |
| 4.3.2 基于GoogleNet网络的肝脏弥漫性疾病分类 | 第50-52页 |
| 4.4 基于多维特征结合实现肝脏弥漫性疾病分类 | 第52-54页 |
| 4.4.1 基于多维特征结合的分类流程 | 第52-53页 |
| 4.4.2 实验结果分析 | 第53-54页 |
| 4.5 腹部器官识别与肝脏弥漫性疾病诊断系统实现 | 第54-58页 |
| 4.5.1 TensorRT高速推理引擎 | 第54-55页 |
| 4.5.2 腹部器官识别与肝脏弥漫性疾病诊断系统流程 | 第55-58页 |
| 4.6 本章小结 | 第58-59页 |
| 结论与展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-66页 |
| 致谢 | 第66页 |