| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 常用乳腺癌影像检查方法 | 第12-13页 |
| 1.3 乳腺癌分子分型研究历程 | 第13-14页 |
| 1.3.1 乳腺癌分子分型的提出 | 第13页 |
| 1.3.2 乳腺癌分子分型研究现状 | 第13-14页 |
| 1.3.3 乳腺癌分子分型预测新方法 | 第14页 |
| 1.4 本文研究内容 | 第14-15页 |
| 1.5 本文组织结构 | 第15-17页 |
| 第二章 深度学习与人工神经网络 | 第17-34页 |
| 2.1 引言 | 第17页 |
| 2.2 深度学习发展历程 | 第17-18页 |
| 2.2.1 萌芽期 | 第17-18页 |
| 2.2.2 迅速发展期 | 第18页 |
| 2.2.3 爆发期 | 第18页 |
| 2.3 人工神经网络 | 第18-31页 |
| 2.3.1 人工神经元模型 | 第19-20页 |
| 2.3.2 多层神经网络 | 第20-21页 |
| 2.3.3 卷积神经网络 | 第21-31页 |
| 2.4 CNN在医疗图像中的应用 | 第31-33页 |
| 2.4.1 CNN应用医疗图像现状 | 第31-32页 |
| 2.4.2 计算机辅助诊断 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 数据预处理 | 第34-39页 |
| 3.1 引言 | 第34页 |
| 3.2 影像数据采集 | 第34-35页 |
| 3.2.1 DCE-MRI采集 | 第34页 |
| 3.2.2 DCE-MRI数据格式 | 第34-35页 |
| 3.3 ROI数据获取 | 第35-37页 |
| 3.3.1 病例数据分布统计 | 第35-36页 |
| 3.3.2 获取乳腺肿瘤RIO图像 | 第36-37页 |
| 3.4 数据扩充 | 第37-38页 |
| 3.4.1 ROI截取扩充 | 第37-38页 |
| 3.4.2 其他方式扩充 | 第38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于深度卷积神经网络的乳腺肿瘤良恶性预测研究 | 第39-51页 |
| 4.1 引言 | 第39页 |
| 4.2 研究方案概述 | 第39-45页 |
| 4.2.1 数据集分配 | 第39-40页 |
| 4.2.2 实验模型设计 | 第40-44页 |
| 4.2.3 结果评价方法 | 第44-45页 |
| 4.3 基于二维卷积神经网络研究 | 第45-48页 |
| 4.3.1 训练学习 | 第45-46页 |
| 4.3.2 迁移学习 | 第46页 |
| 4.3.3 实验结果分析 | 第46-48页 |
| 4.4 基于三维卷积神经网络研究 | 第48-50页 |
| 4.4.1 模型原理及实验 | 第48-49页 |
| 4.4.2 实验结果分析 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 基于深度卷积神经网络的乳腺癌分子分型预测研究 | 第51-58页 |
| 5.1 引言 | 第51页 |
| 5.2 研究方案概述 | 第51-53页 |
| 5.2.1 数据集分配 | 第51-52页 |
| 5.2.2 光流数据转换 | 第52页 |
| 5.2.3 多维度数据整合 | 第52-53页 |
| 5.3 基于二维卷积神经网络研究 | 第53-55页 |
| 5.3.1 训练学习 | 第53-54页 |
| 5.3.2 迁移学习 | 第54页 |
| 5.3.3 实验结果分析 | 第54-55页 |
| 5.4 基于三维卷积神经网络研究 | 第55-57页 |
| 5.4.1 实验及结果 | 第55-56页 |
| 5.4.2 实验结果分析 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 本文工作总结 | 第58-59页 |
| 6.2 未来展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录 | 第66页 |