首页--医药、卫生论文--肿瘤学论文--一般性问题论文--肿瘤诊断学论文

基于神经网络的癌症筛查与诊断人工智能研究

摘要第5-8页
ABSTRACT第8-10页
符号说明第17-18页
第一章 概述第18-30页
    1.1 课题研究背景及意义第18-20页
    1.2 国内外相关研究的发展与现状第20-26页
        1.2.1 人工神经网络算法的发展第20-22页
        1.2.2 人工神经网络用于癌症筛查与诊断第22-25页
        1.2.3 癌症筛查与诊断所面临的问题第25-26页
    1.3 本论文的研究内容和组织结构第26-30页
        1.3.1 本论文的研究内容及创新点第26-28页
        1.3.2 本论文的组织结构第28-30页
第二章 人工神经网络与深度学习基础理论第30-48页
    2.1 从神经网络到深度学习第30-35页
        2.1.1 基本问题描述第30-32页
        2.1.2 多层感知器第32-33页
        2.1.3 卷积神经网络第33-35页
    2.2 损失函数第35-38页
        2.2.1 均方差损失函数第35-36页
        2.2.2 交叉熵损失函数第36-38页
    2.3 梯度下降第38页
    2.4 反向传播第38-44页
        2.4.1 全连接层的反向传播第39-40页
        2.4.2 激活函数的反向传播第40-41页
        2.4.3 卷积层的反向传播第41-42页
        2.4.4 池化层的反向传播第42-44页
    2.5 正则化第44-45页
        2.5.1 参数范数惩罚第44页
        2.5.2 Dropout第44-45页
    2.6 一些度量准则第45-47页
        2.6.1 混淆矩阵第45-46页
        2.6.2 ROC曲线第46-47页
    2.7 本章总节第47-48页
第三章 基于2D多视野卷积神经网络的肺结节分类研究第48-64页
    3.1 CT与肺结节第48-49页
        3.1.1 CT第48-49页
        3.1.2 肺部结节第49页
    3.2 基于肺部CT的智能筛查和诊断相关研究第49-50页
    3.3 2D多视野卷积神经网络(2D MV-CNN)第50-53页
        3.3.1 多视野策略第50-51页
        3.3.2 2D MV-CNN的计算模块第51-53页
    3.4 2D MV-CNN用于LIDC-IDRI数据集分类实验第53-60页
        3.4.1 LIDC-IDRI数据集第53页
        3.4.2 数据预处理第53-55页
        3.4.3 实验结果及分析第55-59页
        3.4.4 与手工特征提取算法及其他相关研究结果对比第59-60页
    3.5 讨论第60-63页
        3.5.1 ROC曲线第60-61页
        3.5.2 散点图第61-62页
        3.5.3 可区分性第62-63页
    3.6 本章总结第63-64页
第四章 基于3D多视野卷积神经网络的肺结节分类研究第64-80页
    4.1 3D CNN在医疗图像中的相关研究第64-65页
    4.2 3D多视野卷积神经网络(3D MV-CNN)第65-70页
        4.2.1 3D MV-CNN的计算模块第65-68页
        4.2.2 3D MV-CNN网络构架第68-70页
    4.3 3D MV-CNN用于LIDC-IDRI数据集分类实验第70-76页
        4.3.1 数据预处理第70-72页
        4.3.2 实验结果及分析第72-75页
        4.3.3 与其他手工特征提取算法及相关研究结果对比第75-76页
    4.4 讨论第76-79页
        4.4.1 参数数量v.s训练时间v.s错误率第76页
        4.4.2 平均池化第76-77页
        4.4.3 可区分性第77-78页
        4.4.4 与多视野多网络策略对比第78-79页
    4.5 本章总结第79-80页
第五章 基于FCLF-CNN与细胞学特征的乳腺癌诊断第80-96页
    5.1 在WDBC与WBCD数据集上的相关研究第80-81页
    5.2 FCLF-CNN第81-85页
        5.2.1 1D CNN第81-83页
        5.2.2 FCLF-CNN第83-85页
    5.3 FCLF-CNN用于WDBC与WBCD数据集分类实验第85-91页
        5.3.1 WDBC与WBCD数据集介绍第85-86页
        5.3.2 数据预处理第86页
        5.3.3 实验过程与结果第86-91页
    5.4 讨论第91-95页
        5.4.1 在其他数据集上的表现第91-92页
        5.4.2 全连接层所获得的表示第92-95页
    5.5 本章总结第95-96页
第六章 基于血常规、尿常规及肿瘤标记物的癌症早期筛查第96-112页
    6.1 利用血液数据进行癌症筛查的相关研究第96-97页
    6.2 证明阈值选择受数据均衡程度影响第97-102页
        6.2.1 ROC曲线上阈值选择的问题描述第98页
        6.2.2 最大准确率原则第98-99页
        6.2.3 最大F_β原则第99-100页
        6.2.4 最大平均互信息原则第100-102页
    6.3 总体癌症实验第102-107页
        6.3.1 数据第102-103页
        6.3.2 实验结果与讨论第103-107页
    6.4 在多种癌症上实现第107-109页
        6.4.1 肺癌第107页
        6.4.2 肝癌第107-108页
        6.4.3 乳腺癌第108页
        6.4.4 宫颈癌第108页
        6.4.5 肾癌第108页
        6.4.6 阈值选择与性能对比第108-109页
    6.5 本章总结第109-112页
第七章 总结与展望第112-115页
    7.1 本论文工作总结第112-113页
    7.2 下一步研究展望第113-115页
参考文献第115-134页
附录1 第六章中所有特征及对应的AUC第134-135页
附录2 缩略词表第135-138页
致谢第138-139页
读博期间主要成果第139-140页

论文共140页,点击 下载论文
上一篇:基于负载特征表示的云资源管理算法研究
下一篇:基于混沌理论的滚动轴承故障诊断及故障趋势预测研究