| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 医学图像分析的难点 | 第11-12页 |
| 1.2.2 医学图像分析中的深度学习方法 | 第12-13页 |
| 1.2.3 深度学习在医学图像分析中的研究现状 | 第13-15页 |
| 1.3 本文研究内容与贡献 | 第15页 |
| 1.4 本文的结构安排 | 第15-17页 |
| 第二章 深度学习简介 | 第17-32页 |
| 2.1 深度学习概述 | 第17-29页 |
| 2.1.1 神经网络和BP算法 | 第17-21页 |
| 2.1.2 深度学习的兴起 | 第21-22页 |
| 2.1.3 深信度网络 | 第22-24页 |
| 2.1.4 自动编码器 | 第24-26页 |
| 2.1.5 卷积神经网络 | 第26-29页 |
| 2.2 现有的深度学习框架 | 第29-30页 |
| 2.3 深度学习的应用领域 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 融合卷积稀疏编码特征和传统特征的胸片肺结节识别 | 第32-48页 |
| 3.1 肺结节识别概述 | 第32-33页 |
| 3.2 卷积稀疏编码原理 | 第33-35页 |
| 3.3 胸片肺结节初检测 | 第35-38页 |
| 3.3.1 数据库简介 | 第35页 |
| 3.3.2 X光胸片肺结节检测 | 第35-38页 |
| 3.4 胸片肺结节识别 | 第38-44页 |
| 3.4.1 基于卷积稀疏编码的特征提取及降维 | 第38-40页 |
| 3.4.2 传统特征的提取 | 第40-43页 |
| 3.4.3 肺结节特征融合和分类 | 第43-44页 |
| 3.5 实验结果与分析 | 第44-47页 |
| 3.5.1 评价标准 | 第44-45页 |
| 3.5.2 实验结果分析 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 基于堆砌卷积自编码的CT淋巴结识别 | 第48-63页 |
| 4.1 淋巴结识别概述 | 第48-49页 |
| 4.2 卷积自编码原理 | 第49-53页 |
| 4.2.1 单层卷积自编码算法 | 第49-51页 |
| 4.2.2 深度卷积自编码 | 第51-53页 |
| 4.3 CT淋巴结初检测 | 第53-55页 |
| 4.3.1 数据库介绍 | 第53-54页 |
| 4.3.2 淋巴结初检测 | 第54-55页 |
| 4.4 基于堆砌卷积自编码网络的CT淋巴结识别 | 第55-59页 |
| 4.4.1 数据预处理-二维采样 | 第55-57页 |
| 4.4.2 堆砌卷积自编码模型 | 第57-58页 |
| 4.4.3 无监督预训练 | 第58页 |
| 4.4.4 分类器构造与训练 | 第58-59页 |
| 4.5 实验结果及分析 | 第59-62页 |
| 4.5.1 评价标准 | 第59-60页 |
| 4.5.2 淋巴结识别实验过程 | 第60-61页 |
| 4.5.3 实验结果分析 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 基于深度迁移学习的CT淋巴结识别 | 第63-74页 |
| 5.1 迁移学习简介 | 第63-67页 |
| 5.1.1 迁移学习方法 | 第64-66页 |
| 5.1.2 基于深度网络的迁移学习 | 第66-67页 |
| 5.2 基于深度迁移学习的CT淋巴结识别 | 第67-71页 |
| 5.2.1 疑似淋巴结图像预处理 | 第67-68页 |
| 5.2.2 淋巴结识别深度网络模型概述 | 第68-70页 |
| 5.2.3 特征的提取及融合 | 第70-71页 |
| 5.2.4 分类器构造与训练 | 第71页 |
| 5.3 实验结果与分析 | 第71-73页 |
| 5.3.1 实验流程 | 第71-72页 |
| 5.3.2 实验结果分析 | 第72-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 本文主要工作与结论 | 第74-75页 |
| 6.2 工作展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |