| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 医学图像检索技术 | 第11-13页 |
| 1.2.2 深度学习技术的应用 | 第13-14页 |
| 1.3 课题来源及主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-18页 |
| 第二章 相关技术综述 | 第18-36页 |
| 2.1 医学征象的相关知识 | 第18-21页 |
| 2.2 图像检索的关键技术 | 第21-31页 |
| 2.2.1 图像特征提取 | 第21-27页 |
| 2.2.2 高维特征索引降维 | 第27-28页 |
| 2.2.3 相似性度量 | 第28-30页 |
| 2.2.4 评价标准 | 第30-31页 |
| 2.3 深度学习基础 | 第31-35页 |
| 2.3.1 深度学习的基本思想 | 第32页 |
| 2.3.2 深度学习中的常用网络模型 | 第32-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于医学征象和卷积神经网络的肺结节检索方法的研究 | 第36-50页 |
| 3.1 构造基于医学征象的二值码 | 第36-37页 |
| 3.2 肺结节重要语义特征提取 | 第37-41页 |
| 3.2.1 CNN训练和高维特征提取 | 第38-40页 |
| 3.2.2 基于PCA的语义特征筛选 | 第40-41页 |
| 3.3 基于图像哈希的相似性检索 | 第41-43页 |
| 3.3.1 哈希函数的构造 | 第41-42页 |
| 3.3.2 基于自适应比特位的相似性检索 | 第42-43页 |
| 3.4 实验分析 | 第43-48页 |
| 3.4.1 实验数据集 | 第43-45页 |
| 3.4.2 实验比较与结论 | 第45-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 一种利用深度有监督哈希的肺结节CT图像检索方法 | 第50-66页 |
| 4.1 方法描述 | 第50-52页 |
| 4.1.1 深度哈希函数 | 第51页 |
| 4.1.2 三元组损失 | 第51-52页 |
| 4.2 深度有监督哈希编码框架 | 第52-56页 |
| 4.2.1 辨别性的特征提取 | 第52-53页 |
| 4.2.2 紧致的二值码学习 | 第53-54页 |
| 4.2.3 目标函数设计和优化 | 第54-56页 |
| 4.3 基于自适应查询图像的相似性检索 | 第56-58页 |
| 4.3.1 计算自适应查询图像的比特位权值 | 第57页 |
| 4.3.2 基于图像重排的查询自适应检索 | 第57-58页 |
| 4.4 实验分析 | 第58-64页 |
| 4.4.1 实验环境及数据来源 | 第58-59页 |
| 4.4.2 网络参数设置 | 第59-60页 |
| 4.4.3 检索性能比较 | 第60-64页 |
| 4.5 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 工作总结 | 第66-67页 |
| 5.2 未来展望 | 第67-68页 |
| 参考文献 | 第68-76页 |
| 致谢 | 第76-78页 |
| 攻读硕士研究生期间发表的论文 | 第78页 |