基于卷积神经网络的肺部结节检测系统研制
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 肺结节治疗相关背景、意义 | 第8页 |
| 1.2 影像在肺结节诊断中的作用 | 第8页 |
| 1.3 计算机辅助诊断系统的作用 | 第8-9页 |
| 1.4 本文研究目的及内容安排 | 第9-11页 |
| 第二章 肺结节检测系统介绍及相关理论介绍 | 第11-28页 |
| 2.1 肺结节影像特征及检测流程概述 | 第11-13页 |
| 2.2 预处理 | 第13-18页 |
| 2.2.1 预处理涉及的工具、概念 | 第14-17页 |
| 2.2.2 图像预处理 | 第17-18页 |
| 2.3 图像分割 | 第18-25页 |
| 2.3.1 基于阈值的分割算法 | 第19页 |
| 2.3.2 基于区域的分割算法 | 第19-24页 |
| 2.3.3 基于边缘检测的分割算法 | 第24-25页 |
| 2.4 机器学习 | 第25-28页 |
| 2.4.1 监督学习 | 第26页 |
| 2.4.2 无监督学习 | 第26-27页 |
| 2.4.3 半监督学习 | 第27页 |
| 2.4.4 强化学习 | 第27-28页 |
| 第三章 检测系统实现 | 第28-41页 |
| 3.1 图像的分割处理 | 第28-34页 |
| 3.1.2 基于一般形态学的肺部分割 | 第28-31页 |
| 3.1.3 基于分水岭算法的肺部分割 | 第31-34页 |
| 3.2 机器学习模型设计 | 第34-41页 |
| 3.2.1 深度学习 | 第34-35页 |
| 3.2.2 卷积神经网络算法 | 第35-39页 |
| 3.2.3 Unet模型 | 第39-41页 |
| 第四章 实验结果与分析 | 第41-45页 |
| 4.1 基于Unet的肺结节检测 | 第41-43页 |
| 4.1.1 检测模型选择 | 第41-42页 |
| 4.1.2 基于一般形态学分割的肺部检测 | 第42-43页 |
| 4.1.3 基于分水岭分割的肺部检测 | 第43页 |
| 4.2 实验结果的比较与分析 | 第43-45页 |
| 第五章 总结与展望 | 第45-47页 |
| 5.1 全文总结 | 第45页 |
| 5.2 后续工作展望 | 第45-47页 |
| 参考文献 | 第47-52页 |
| 致谢 | 第52-54页 |
| 硕士研究生期间主要工作及相关成果 | 第54-55页 |
| 1、主要工作 | 第54页 |
| 2、相关成果 | 第54-55页 |
