基于深度学习的医学图像肺结节检测算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 传统肺结节检测方法 | 第18-19页 |
| 1.2.2 深度学习应用研究 | 第19-21页 |
| 1.3 论文的主要工作和章节安排 | 第21-23页 |
| 第二章 医学图像预处理及目标检测理论 | 第23-37页 |
| 2.1 引言 | 第23页 |
| 2.2 医学图像预处理 | 第23-28页 |
| 2.2.1 LIDC数据库 | 第23-25页 |
| 2.2.2 提取LIDC中的肺结节数据 | 第25-26页 |
| 2.2.3 提取注释信息 | 第26-27页 |
| 2.2.4 数据预处理 | 第27-28页 |
| 2.3 数据增强方法 | 第28-30页 |
| 2.4 目标检测理论基础 | 第30-35页 |
| 2.4.1 卷积神经网络相关理论 | 第30-32页 |
| 2.4.2 R-CNN | 第32-33页 |
| 2.4.3 SPP-Net | 第33-34页 |
| 2.4.4 FastR-CNN | 第34-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 基于卷积神经网络的医学图像检测算法 | 第37-53页 |
| 3.1 引言 | 第37页 |
| 3.2 FasterR-CNN检测器 | 第37-41页 |
| 3.2.1 区域建议网络 | 第37-40页 |
| 3.2.2 FasterR-CNN框架 | 第40-41页 |
| 3.3 用于肺结节检测的特征提取网络 | 第41-45页 |
| 3.3.1 ZFNet | 第41-42页 |
| 3.3.2 VGGNet | 第42-43页 |
| 3.3.3 改进的网络结构 | 第43-45页 |
| 3.4 实验与分析 | 第45-52页 |
| 3.4.1 实验条件 | 第45-46页 |
| 3.4.2 评价指标 | 第46-47页 |
| 3.4.3 实验结果与分析 | 第47-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于对抗网络的医学图像检测算法 | 第53-65页 |
| 4.1 引言 | 第53页 |
| 4.2 新型检测器A-Faster-RCNN | 第53-60页 |
| 4.2.1 困难样本挖掘 | 第53-55页 |
| 4.2.2 基于对抗学习的检测网络 | 第55-56页 |
| 4.2.3 对抗空间丢弃网络 | 第56-59页 |
| 4.2.4 训练流程 | 第59-60页 |
| 4.3 实验与分析 | 第60-63页 |
| 4.3.1 实验条件 | 第60页 |
| 4.3.2 实验结果与分析 | 第60-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 基于条件生成对抗网络的图像生成及检测算法 | 第65-79页 |
| 5.1 引言 | 第65页 |
| 5.2 生成对抗网络 | 第65-68页 |
| 5.2.1 算法原理 | 第65-67页 |
| 5.2.2 训练流程 | 第67-68页 |
| 5.2.3 存在问题 | 第68页 |
| 5.3 基于cGAN的图像生成算法 | 第68-71页 |
| 5.3.1 算法原理 | 第69-70页 |
| 5.3.2 网络结构 | 第70-71页 |
| 5.4 实验与分析 | 第71-77页 |
| 5.4.1 实验条件 | 第71-72页 |
| 5.4.2 实验数据处理流程 | 第72-73页 |
| 5.4.3 实验结果与分析 | 第73-77页 |
| 5.5 本章小结 | 第77-79页 |
| 第六章 总结与展望 | 第79-81页 |
| 6.1 总结 | 第79-80页 |
| 6.2 展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-89页 |
| 作者简介 | 第89-90页 |
