乳腺钼靶图像癌变区域分类与检测的深度计算
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文的主要内容及章节安排 | 第13-15页 |
| 第二章 相关理论基础 | 第15-23页 |
| 2.1 深度卷积神经网络 | 第15-21页 |
| 2.1.1 深度卷积神经网络的网络结构 | 第16-19页 |
| 2.1.2 深度卷积神经网络的权值共享和参数减少 | 第19-21页 |
| 2.1.3 深度卷积神经网络的优点 | 第21页 |
| 2.2 迁移学习 | 第21-23页 |
| 第三章 基于深度学习的乳腺钼靶图像自动分类 | 第23-38页 |
| 3.1 研究动机 | 第23-24页 |
| 3.2 研究方法 | 第24-27页 |
| 3.2.1 基于深度学习的乳腺钼靶图像分类 | 第24-26页 |
| 3.2.2 基于参数迁移的乳腺钼靶图像分类 | 第26-27页 |
| 3.3 实验流程 | 第27-33页 |
| 3.3.1 实验数据 | 第27页 |
| 3.3.2 训练集和测试集 | 第27页 |
| 3.3.3 参数设置 | 第27-29页 |
| 3.3.4 实验室设计和对比实验设计 | 第29-33页 |
| 3.4 实验结果和讨论 | 第33-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于深度学习的自动检测 | 第38-47页 |
| 4.1 研究动机 | 第38页 |
| 4.2 本文方法 | 第38-40页 |
| 4.2.1 网络结构 | 第38-39页 |
| 4.2.2 ReLU激活函数 | 第39页 |
| 4.2.3 局部相应归一化层 | 第39-40页 |
| 4.3 实验过程 | 第40-43页 |
| 4.3.1 实验数据 | 第40页 |
| 4.3.2 数据预处理 | 第40-41页 |
| 4.3.3 粗检测 | 第41-42页 |
| 4.3.4 细检测 | 第42页 |
| 4.3.5 优化 | 第42-43页 |
| 4.4 实验结果和讨论 | 第43-46页 |
| 4.4.1 定性的实验结果展示 | 第43-44页 |
| 4.4.2 定量化的实验结果展示 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 结论和展望 | 第47-49页 |
| 5.1 本文的工作内容及创新之处 | 第47页 |
| 5.2 工作展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-56页 |
| 攻读硕士期间完成的科研情况 | 第56页 |
