| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 综述 | 第10-15页 |
| 1.1 肺结节CT图像在肺癌诊断中的临床背景与研究意义 | 第10-11页 |
| 1.2 肺结节CT图像临床辅助诊断的国内外研究现状 | 第11页 |
| 1.3 本文的研究目的与挑战 | 第11-12页 |
| 1.4 本文的研究设想 | 第12-13页 |
| 1.5 本文的章节组织 | 第13-15页 |
| 第2章 基于MTLR的评级模型设计 | 第15-25页 |
| 2.1 肺结节CT语义特征自动评级的框架 | 第15页 |
| 2.2 异构特征器设计 | 第15-22页 |
| 2.2.1 基于CNN的特征提取器设计 | 第15-18页 |
| 2.2.2 基于SDAE的特征提取器设计 | 第18-20页 |
| 2.2.3 随机Haar特征设计 | 第20-22页 |
| 2.3 MTLR模型的训练 | 第22-23页 |
| 2.3.1 共享任务和特有任务的特征挑选 | 第22-23页 |
| 2.3.2 训练参数设置 | 第23页 |
| 2.4 MTLR自动评级 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 MTLR模型的实验与分析 | 第25-31页 |
| 3.1 实验数据 | 第25页 |
| 3.2 模型系统实现 | 第25-26页 |
| 3.3 模型系统评估 | 第26-30页 |
| 3.3.1 特征提取器表达效果评估 | 第26-27页 |
| 3.3.2 单任务对比多任务线性回归效果评估 | 第27-28页 |
| 3.3.3 系统分级性能定量评估 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 MAADLC模型设计 | 第31-40页 |
| 4.1 多层次表达特征器设计 | 第31-34页 |
| 4.2 ACRFR模型设计 | 第34-37页 |
| 4.2.1 随机森林模型简要介绍 | 第34-35页 |
| 4.2.2 上下文特征设计 | 第35-36页 |
| 4.2.3 ACRFR训练 | 第36页 |
| 4.2.4 ACRFR自动评级 | 第36-37页 |
| 4.3 COMPOSITE模型设计 | 第37-38页 |
| 4.3.1 COMPOSITE模型训练 | 第37-38页 |
| 4.3.2 COMPOSITE模型自动评级 | 第38页 |
| 4.4 MTCNNR模型设计 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 MAADLC模型的实验与分析 | 第40-52页 |
| 5.1 实验数据 | 第40页 |
| 5.2 ACRFR模型分析 | 第40-47页 |
| 5.2.1 模型实现 | 第40-41页 |
| 5.2.2 模型评估 | 第41-47页 |
| 5.3 COMPOSITE模型分析 | 第47-49页 |
| 5.3.1 模型实现 | 第47-48页 |
| 5.3.2 模型评估 | 第48-49页 |
| 5.4 MTCNNR模型分析 | 第49-50页 |
| 5.4.1 模型实现 | 第49-50页 |
| 5.4.2 模型评估 | 第50页 |
| 5.5 本章小结 | 第50-52页 |
| 第6章 总结与展望 | 第52-55页 |
| 6.1 本文总结 | 第52-53页 |
| 6.2 本文的主要贡献 | 第53页 |
| 6.3 本文的不足与展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间的研究成果 | 第59页 |