| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外课题研究现状 | 第10-13页 |
| 1.3 本文研究内容与创新点 | 第13-14页 |
| 1.4 本文组织框架 | 第14-15页 |
| 第二章 课题相关知识与技术 | 第15-34页 |
| 2.1 神经网络介绍 | 第15-21页 |
| 2.1.1 神经网络基本原理 | 第15-19页 |
| 2.1.2 防止过拟合的方法 | 第19-20页 |
| 2.1.3 Softmax回归 | 第20-21页 |
| 2.2 基于学习的两种图像特征提取工具 | 第21-27页 |
| 2.2.1 栈式稀疏自编码SSAE | 第21-24页 |
| 2.2.2 卷积神经网络CNN | 第24-27页 |
| 2.3 图像融合基础知识 | 第27-31页 |
| 2.3.1 图像融合方法 | 第27-30页 |
| 2.3.2 图像融合质量评价指标 | 第30-31页 |
| 2.4 图像识别：肺结节检测及其去假阳的介绍 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 SSAE提取的图像特征在图像融合中的应用 | 第34-45页 |
| 3.1 图像融合中的图像特征提取及其它影响因素 | 第34-35页 |
| 3.2 融合方法的框架流程 | 第35-36页 |
| 3.3 SIST和SSAE | 第36-37页 |
| 3.4 SIST子带的融合规则 | 第37-39页 |
| 3.4.1 低频子带系数融合规则 | 第37-38页 |
| 3.4.2 高频子带系数融合规则 | 第38-39页 |
| 3.5 实验结果与分析 | 第39-43页 |
| 3.5.1 多聚焦图像融合 | 第39-40页 |
| 3.5.2 红外与可见光图像融合 | 第40-42页 |
| 3.5.3 医学图像融合 | 第42-43页 |
| 3.6 本章小结 | 第43-45页 |
| 第四章 多上下文3DRes-CNN提取的图像特征在肺结节检测去假阳中的应用 | 第45-55页 |
| 4.1 不同的特征提取方法应用于肺结节检测及去假阳 | 第45-47页 |
| 4.2 3DRes-CNN方法介绍 | 第47-49页 |
| 4.2.1 3DRes-CNN的结构 | 第47-48页 |
| 4.2.2 残差学习 | 第48-49页 |
| 4.2.3 缓解数据不平衡 | 第49页 |
| 4.3 实验结果与分析 | 第49-53页 |
| 4.3.1 实验数据介绍及预处理 | 第49-50页 |
| 4.3.2 实验设置与环境 | 第50页 |
| 4.3.3 评价准则及实验结果分析 | 第50-53页 |
| 4.4 本章小结 | 第53-55页 |
| 主要结论与展望 | 第55-57页 |
| 主要结论 | 第55页 |
| 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第62页 |