| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 肺实质分割 | 第10-11页 |
| 1.2.2 肺结节的提取与检测 | 第11-12页 |
| 1.3 论文主要研究内容和组织结构 | 第12-15页 |
| 第二章 肺实质分割技术研究 | 第15-29页 |
| 2.1 提取肺部粗轮廓常用方法 | 第16-21页 |
| 2.1.1 大津法 | 第16-17页 |
| 2.1.2 最大熵法 | 第17页 |
| 2.1.3 基于Sobel算子的边缘检测法 | 第17-18页 |
| 2.1.4 k-means聚类法 | 第18-21页 |
| 2.2 基于改进大津法的肺部粗轮廓提取 | 第21-24页 |
| 2.3 实验分析 | 第24-27页 |
| 2.3.1 实验数据来源 | 第24页 |
| 2.3.2 肺部粗轮廓分割方法实验对比分析 | 第24-27页 |
| 2.4 左右肺实质分割方法 | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 疑似肺结节特征提取技术研究 | 第29-47页 |
| 3.1 卷积神经网络简介 | 第30-31页 |
| 3.1.1 卷积神经网络发展史 | 第30页 |
| 3.1.2 卷积神经网络的网络结构 | 第30-31页 |
| 3.2 Fast-RCNN目标检测方法 | 第31-35页 |
| 3.2.1 选择搜索算法原理 | 第31-33页 |
| 3.2.2 Fast-RCNN网络结构模型 | 第33-35页 |
| 3.3 基于改进DBSCAN的疑似肺结节三维特征提取 | 第35-37页 |
| 3.3.1 DBSCAN聚类算法 | 第35-36页 |
| 3.3.2 改进密度邻域的三维DBSCAN算法设计 | 第36-37页 |
| 3.4 基于融合算法的疑似肺结节三维特征提取 | 第37-43页 |
| 3.4.1 基于卷积神经网络的疑似肺结节预检测模型 | 第38-40页 |
| 3.4.2 基于Fast-RCNN与三维DBSCAN的融合算法 | 第40-43页 |
| 3.5 实验分析 | 第43-46页 |
| 3.5.1 预检测模型与三维DBSCAN的核心点集对比 | 第43-44页 |
| 3.5.2 基于Fast-RCNN和三维DBSCAN融合算法的疑似肺结节提取 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 疑似肺结节判定技术研究 | 第47-55页 |
| 4.1 三维卷积神经网络模型 | 第47-48页 |
| 4.1.1 三维卷积的概念 | 第47页 |
| 4.1.2 三维卷积神经网络模型 | 第47-48页 |
| 4.2 应用三维卷积神经网络进行疑似肺结节的判定 | 第48-52页 |
| 4.2.1 数据来源 | 第48页 |
| 4.2.2 评测标准 | 第48-49页 |
| 4.2.3 实验分析 | 第49页 |
| 4.2.4 模型调优 | 第49-52页 |
| 4.3 本章小结 | 第52-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 研究总结 | 第55-56页 |
| 5.2 工作展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 作者简介 | 第61-62页 |
| 攻读硕士学位期间发表的论文和科研成果 | 第62页 |
