| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.研究背景和意义 | 第11-12页 |
| 2.国内外研究现状 | 第12-19页 |
| 2.1 深度学习及其在医学领域的应用 | 第12-14页 |
| 2.2 卷积神经网络研究现状 | 第14-18页 |
| 2.3 肺癌计算机辅助诊断研究现状 | 第18-19页 |
| 3.论文的主要工作 | 第19页 |
| 4.论文的章节安排 | 第19-21页 |
| 第二章 卷积神经网络的模型结构和训练算法 | 第21-33页 |
| 1.卷积神经网络模型结构 | 第21-25页 |
| 1.1 CNN结构 | 第21-24页 |
| 1.1.1 卷积层 | 第21页 |
| 1.1.2 下采样 | 第21-22页 |
| 1.1.3 全连接层 | 第22页 |
| 1.1.4 Softmax分类器 | 第22-24页 |
| 1.2 LeNet-5 模型 | 第24-25页 |
| 2.卷积神经网络训练算法 | 第25-30页 |
| 2.1 卷积神经网络梯度计算 | 第25-28页 |
| 2.2 反向传播算法 | 第28-30页 |
| 2.3 基于弹性动量的梯度下降法 | 第30页 |
| 3.评价指标 | 第30-32页 |
| 4.本章小结 | 第32-33页 |
| 第三章 基于集成CNN和局部特征的肺部肿瘤PET/CT识别研究 | 第33-46页 |
| 1.集成CNN算法思想 | 第33-35页 |
| 1.1 集成学习 | 第33-34页 |
| 1.2 算法思想 | 第34-35页 |
| 2.关键技术 | 第35-37页 |
| 2.1 单个CNN结构设计 | 第35-36页 |
| 2.2 集成CNN模型设计 | 第36-37页 |
| 3.算法仿真实验 | 第37-45页 |
| 3.1 实验平台 | 第37页 |
| 3.2 实验数据 | 第37-38页 |
| 3.3 实验结果分析 | 第38-45页 |
| 3.3.1 实验一单个卷积神经网络的识别性能评价 | 第38-41页 |
| 3.3.2 实验二不同模型参数对识别率和训练时间的影响 | 第41-43页 |
| 3.3.3 实验三集成CNN与单个CNN和其他方法的性能比较 | 第43-45页 |
| 4.本章小结 | 第45-46页 |
| 第四章 基于深度CNN和全局特征的肺部肿瘤CAD研究 | 第46-61页 |
| 1.算法思想 | 第46-48页 |
| 2.关键技术 | 第48-49页 |
| 3.算法仿真实验 | 第49-60页 |
| 3.1 实验平台 | 第49页 |
| 3.2 实验数据 | 第49-50页 |
| 3.3 实验结果分析 | 第50-60页 |
| 3.3.1 实验一基于相同模型结构不同模型参数的研究 | 第50-53页 |
| 3.3.2 实验二基于不同模型结构的分类识别 | 第53-57页 |
| 3.3.3 实验三基于不同优化方法的分类识别 | 第57-60页 |
| 4.本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-64页 |
| 1.总结 | 第61-62页 |
| 2.展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 文献综述 | 第70-85页 |
| 综述参考文献 | 第81-85页 |
| 致谢 | 第85-86页 |
| 攻读硕士学位期间参加的科研项目及发表的文章 | 第86-87页 |
| 个人简介 | 第87页 |
