| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 课题背景 | 第10-12页 |
| 1.2 医学图像分析方法概述 | 第12页 |
| 1.3 论文内容安排 | 第12-13页 |
| 第二章 卷积神经网络理论概述 | 第13-25页 |
| 2.1 卷积神经网络的前馈运算和反馈运算 | 第13-14页 |
| 2.2 卷积神经网络基本部件 | 第14-19页 |
| 2.2.1 卷积层 | 第14-17页 |
| 2.2.2 池化层 | 第17-18页 |
| 2.2.3 全连接层 | 第18页 |
| 2.2.4 损失函数 | 第18-19页 |
| 2.3 卷积神经网络的优化算法 | 第19页 |
| 2.4 经典卷积神经网络概述 | 第19-22页 |
| 2.4.1 LeNet | 第19-20页 |
| 2.4.2 AlexNet | 第20-21页 |
| 2.4.3 VGG-16 | 第21页 |
| 2.4.4 GoogLeNet | 第21页 |
| 2.4.5 ResNet | 第21-22页 |
| 2.5 经典目标检测算法概述 | 第22-25页 |
| 2.5.1 R-CNN | 第22页 |
| 2.5.2 Fast R-CNN | 第22-23页 |
| 2.5.3 Faster R-CNN | 第23-24页 |
| 2.5.4 YOLO | 第24页 |
| 2.5.5 SSD | 第24-25页 |
| 第三章 指关节炎超声图像定位和评级分类 | 第25-46页 |
| 3.1 基于PyQt5的关节超声图像自动评级软件 | 第25-29页 |
| 3.1.1 PyQt5简介 | 第25-26页 |
| 3.1.2 密码登录界面 | 第26页 |
| 3.1.3 主界面 | 第26-27页 |
| 3.1.4 新建患者档案界面 | 第27-28页 |
| 3.1.5 浏览患者超声图像界面 | 第28-29页 |
| 3.2 基于Faster R-CNN的滑膜区域定位 | 第29-35页 |
| 3.2.1 实验数据采集 | 第30-31页 |
| 3.2.2 实验环境搭建 | 第31页 |
| 3.2.3 数据集制作 | 第31-32页 |
| 3.2.4 Faster R-CNN目标检测网络模型 | 第32-35页 |
| 3.2.5 网络模型训练 | 第35页 |
| 3.3 基于GoogLeNet Inception V1的指关节炎超声图像分类 | 第35-41页 |
| 3.3.1 实验数据增广方法 | 第36-37页 |
| 3.3.2 GoogLeNet Inception V1分类网络模型 | 第37-40页 |
| 3.3.3 网络模型训练 | 第40-41页 |
| 3.4 Pytorch平台上的指关节炎超声图像评级实验 | 第41-46页 |
| 3.4.1 ResNet分类网络模型 | 第41-42页 |
| 3.4.2 网络模型训练 | 第42-45页 |
| 3.4.3 加载网络模型推理 | 第45-46页 |
| 第四章 实验结果和分析 | 第46-52页 |
| 4.1 五折交叉验证 | 第46-47页 |
| 4.2 滑膜区域定位实验结果分析 | 第47-48页 |
| 4.2.1 评价指标 | 第47页 |
| 4.2.2 实验结果 | 第47-48页 |
| 4.2.3 结果分析 | 第48页 |
| 4.3 类风湿关节炎超声图像分类实验结果分析 | 第48-52页 |
| 4.3.1 评价指标 | 第48-49页 |
| 4.3.2 实验结果 | 第49-51页 |
| 4.3.3 结果分析 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间的科研成果列表 | 第59-60页 |
