胸片的肺结节自动检测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.1.1 X光胸片 | 第10页 |
| 1.1.2 计算机辅助诊断 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 肺区分割的研究现状 | 第11-12页 |
| 1.2.2 肺结节检测的研究现状 | 第12-13页 |
| 1.3 论文主要工作与结构 | 第13-15页 |
| 第二章 基于主动形状模型的肺区分割方法 | 第15-27页 |
| 2.1 经典主动形状模型的原理 | 第15-19页 |
| 2.1.1 形状模型 | 第15-18页 |
| 2.1.2 灰度局部纹理模型 | 第18-19页 |
| 2.1.3 标记点搜索 | 第19页 |
| 2.2 多分辨率ASM模型 | 第19-20页 |
| 2.3 亮度归一化预处理 | 第20-22页 |
| 2.4 肺区分割框架 | 第22页 |
| 2.5 实验结果与分析 | 第22-26页 |
| 2.5.1 实验材料 | 第22-23页 |
| 2.5.2 参数设置 | 第23页 |
| 2.5.3 评价标准 | 第23-24页 |
| 2.5.4 结果与讨论 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 候选肺结节检测 | 第27-36页 |
| 3.1 候选肺结节检测概述 | 第27页 |
| 3.2 局部归一化预处理 | 第27-28页 |
| 3.3 标准收敛指数滤波器 | 第28-30页 |
| 3.4 多尺度权重收敛指数滤波器 | 第30页 |
| 3.5 多尺度权重收敛指数滤波器的改进 | 第30-31页 |
| 3.6 实验结果与分析 | 第31-35页 |
| 3.6.1 实验材料 | 第31页 |
| 3.6.2 参数设置 | 第31-32页 |
| 3.6.3 评价标准 | 第32-33页 |
| 3.6.4 结果与讨论 | 第33-35页 |
| 3.7 本章小结 | 第35-36页 |
| 第四章 候选肺结节分类的深度学习模型训练 | 第36-48页 |
| 4.1 深度学习 | 第36-37页 |
| 4.2 卷积神经网络基本结构与原理 | 第37页 |
| 4.3 基于Caffe的深度卷积神经网络 | 第37-45页 |
| 4.3.1 AlexNet模型 | 第38-41页 |
| 4.3.2 数据扩增 | 第41-42页 |
| 4.3.3 背景趋势校正预处理 | 第42-43页 |
| 4.3.4 交叉验证 | 第43-44页 |
| 4.3.5 基于AlexNet模型分类框架 | 第44-45页 |
| 4.4 训练结果及分析 | 第45-47页 |
| 4.4.1 参数设置 | 第45页 |
| 4.4.2 特征可视化 | 第45-47页 |
| 4.4.3 训练结果 | 第47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 肺结节检测结果与分析 | 第48-55页 |
| 5.1 肺结节检测框架 | 第48-49页 |
| 5.2 测试数据 | 第49-51页 |
| 5.3 分类结果与讨论 | 第51-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-56页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
