基于注意力机制的三维超声影像的多尺度目标识别的研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-25页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 研究现状 | 第18-22页 |
| 1.2.1 基于传统方法的医学影像分析 | 第18-21页 |
| 1.2.2 基于深度学习的医学影像分析 | 第21-22页 |
| 1.3 研究内容 | 第22页 |
| 1.4 论文的组织结构 | 第22-25页 |
| 第二章 深度学习与目标检测 | 第25-35页 |
| 2.1 人工智能与深度学习概述 | 第25-26页 |
| 2.2 卷积神经网络 | 第26-32页 |
| 2.2.1 深度残差与密集连接 | 第27-29页 |
| 2.2.2 深度可分离卷积 | 第29-32页 |
| 2.3 基于深度学习的目标检测 | 第32-35页 |
| 2.3.1 两阶段目标检测 | 第32-33页 |
| 2.3.2 单阶段目标检测 | 第33-35页 |
| 第三章 基于注意力机制的三维影像目标识别算法 | 第35-45页 |
| 3.1 乳腺三维容积超声影像 | 第35-37页 |
| 3.2 乳腺超声BI-RADS分级 | 第37-38页 |
| 3.3 基于注意力机制的目标识别与细分类 | 第38-39页 |
| 3.4 多尺度三维病灶检测模型 | 第39-42页 |
| 3.5 乳腺癌病灶细分类模型 | 第42-45页 |
| 第四章 模型优化与结果分析 | 第45-63页 |
| 4.1 实验环境 | 第45页 |
| 4.2 实验数据集说明 | 第45-46页 |
| 4.3 多尺度三维病灶检测模型实现细节 | 第46-52页 |
| 4.3.1 编码方式的调整 | 第46页 |
| 4.3.2 损失函数的设计 | 第46-49页 |
| 4.3.3 Batch Norm层的优化实现 | 第49-50页 |
| 4.3.4 半精度模型的训练 | 第50-51页 |
| 4.3.5 优化算法的选择 | 第51-52页 |
| 4.4 乳腺癌病灶细分类模型实现细节 | 第52-56页 |
| 4.4.1 3D DenseNet的高效实现 | 第52-53页 |
| 4.4.2 模型泛化性分析与提升 | 第53-55页 |
| 4.4.3 非极大值抑制 | 第55-56页 |
| 4.5 实验结果分析 | 第56-63页 |
| 4.5.1 病灶检测模型实验结果分析 | 第56-59页 |
| 4.5.2 细分类模型实验结果分析 | 第59-60页 |
| 4.5.3 模型整体实验结果性能分析 | 第60-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 研究工作总结 | 第63页 |
| 5.2 研究工作展望 | 第63-65页 |
| 参考文献 | 第65-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-76页 |
