基于深度信念网络的肺结节分类研究
| 摘要 | 第3-5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 关于图像追踪的研究 | 第10-11页 |
| 1.2.2 深度学习在肺结节分类的应用 | 第11-12页 |
| 1.3 课题来源及主要研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第二章 基于超像素的肺实质追踪 | 第15-31页 |
| 2.1 目标追踪概述 | 第15-18页 |
| 2.2 肺实质外观模板获取 | 第18-24页 |
| 2.2.1 超像素分割 | 第19-21页 |
| 2.2.2 基于超像素的肺实质模板 | 第21-24页 |
| 2.3 待追踪图像中肺实质定位 | 第24-26页 |
| 2.3.1 基本模型 | 第24-25页 |
| 2.3.2 追踪窗口自适应变化的肺实质定位 | 第25-26页 |
| 2.4 外观模板更新 | 第26-27页 |
| 2.5 实验结果 | 第27-29页 |
| 2.5.1 数据源及参数设置 | 第27页 |
| 2.5.2 实验结果分析 | 第27-29页 |
| 2.6 本章小结 | 第29-31页 |
| 第三章 基于深度信念网络的肺结节良恶性分类 | 第31-55页 |
| 3.1 CADs诊断过程 | 第31-33页 |
| 3.2 传统分类方法 | 第33-35页 |
| 3.3 基础概念与理论 | 第35-44页 |
| 3.3.1 受限玻尔兹曼机原理 | 第35-41页 |
| 3.3.2 马尔科夫链蒙特卡洛方法 | 第41-43页 |
| 3.3.3 Gibbs采样 | 第43-44页 |
| 3.4 图像预处理 | 第44-45页 |
| 3.5 深度信念网络的构建及训练 | 第45-48页 |
| 3.5.1 构建深度信念网络 | 第45-46页 |
| 3.5.2 自定义DBN结构训练 | 第46-48页 |
| 3.6 实验结果分析 | 第48-54页 |
| 3.6.1 实验结果 | 第48-49页 |
| 3.6.2 网络参数分析 | 第49-53页 |
| 3.6.3 技术分析 | 第53-54页 |
| 3.7 本章小结 | 第54-55页 |
| 第四章 总结与展望 | 第55-57页 |
| 4.1 总结 | 第55-56页 |
| 4.2 展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |
