| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-16页 |
| 1.1 研究背景及意义 | 第7-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 课题研究目的和主要内容 | 第11-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 大数据技术与深度学习算法研究 | 第16-37页 |
| 2.1 大数据技术 | 第16-22页 |
| 2.1.1 大数据技术概述 | 第16-17页 |
| 2.1.2 分布式存储框架研究 | 第17-22页 |
| 2.2 深度学习 | 第22-36页 |
| 2.2.1 深度学习概述 | 第22-23页 |
| 2.2.2 深度学习算法研究 | 第23-30页 |
| 2.2.3 激活函数 | 第30-32页 |
| 2.2.4 目标函数优化算法研究 | 第32-33页 |
| 2.2.5 自适应学习率算法研究 | 第33-36页 |
| 2.3 本章小结 | 第36-37页 |
| 第三章 肺部X光医学影像处理方法研究 | 第37-52页 |
| 3.1 肺部X光医学影像数据集 | 第37-38页 |
| 3.2 图像预处理算法研究 | 第38-40页 |
| 3.3 AlexNet网络 | 第40-42页 |
| 3.3.1 AlexNet网络模型研究 | 第40页 |
| 3.3.2 基于AlexNet的肺部X光医学影像分析 | 第40-42页 |
| 3.4 VGG神经网络 | 第42-47页 |
| 3.4.1 VGG网络模型研究 | 第42-44页 |
| 3.4.2 基于VGG16的肺部X光医学影像分析 | 第44-47页 |
| 3.5 MobileNets神经网络 | 第47-51页 |
| 3.5.1 MobileNets神经网络模型研究 | 第47-49页 |
| 3.5.2 基于MobileNets网络的肺部X光影像分析 | 第49-51页 |
| 3.6 算法对比分析 | 第51页 |
| 3.7 本章小结 | 第51-52页 |
| 第四章 肺部X光医学影像识别方法研究 | 第52-65页 |
| 4.1 VGG-X网络模型 | 第52-59页 |
| 4.1.1 基于改进的VGG16网络模型研究 | 第52-54页 |
| 4.1.2 基于VGG-X网络的肺部X光医学影像分析 | 第54-59页 |
| 4.2 VGG-X1网络模型 | 第59-63页 |
| 4.2.1 基于改进的VGG-X网络模型研究 | 第59-60页 |
| 4.2.2 基于VGG-X1网络的肺部X光医学影像分析 | 第60-63页 |
| 4.3 实验结果分析 | 第63-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 系统方案实现与测试 | 第65-81页 |
| 5.1 肺部X光医学影像识别平台研究 | 第65-67页 |
| 5.1.1 数据存储平台研究 | 第65页 |
| 5.1.2 数据分析平台研究 | 第65-66页 |
| 5.1.3 可视化平台研究 | 第66-67页 |
| 5.2 肺部X光医学影像识别平台搭建 | 第67-72页 |
| 5.2.1 分布式存储平台搭建 | 第67-69页 |
| 5.2.2 可视化平台搭建 | 第69-72页 |
| 5.3 肺部X光医学影像分析系统实现 | 第72-79页 |
| 5.3.1 肺部X光医学影像识别系统验证 | 第72-75页 |
| 5.3.2 肺部X光医学影像识别系统测试 | 第75-79页 |
| 5.4 肺部X光医学影像识别系统实现 | 第79-80页 |
| 5.5 本章小结 | 第80-81页 |
| 第六章 总结与展望 | 第81-83页 |
| 6.1 论文研究工作总结 | 第81-82页 |
| 6.2 未来展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-87页 |
| 附录 | 第87-88页 |
