| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究的背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于特征提取的肺结节计算机辅助诊断技术 | 第13-14页 |
| 1.2.2 基于深度学习技术的肺结节计算机辅助诊断技术 | 第14-15页 |
| 1.3 本论文研究内容 | 第15页 |
| 1.4 论文章节安排 | 第15-17页 |
| 第二章 基础理论介绍 | 第17-27页 |
| 2.1 现代医学影像技术 | 第17-20页 |
| 2.1.1 计算机断层扫描显像原理 | 第17-18页 |
| 2.1.2 正电子发射断层扫描显像原理 | 第18-20页 |
| 2.2 孤立性肺结节计算机辅助诊断技术相关理论 | 第20-22页 |
| 2.3 深度学习模型 | 第22-26页 |
| 2.3.1 深度自动编码模型 | 第22-25页 |
| 2.3.2 深度特征学习 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于栈式极限学习机的肺结节分类方法的研究 | 第27-43页 |
| 3.1 自适应图像增强 | 第27-30页 |
| 3.1.1 直方图均衡化 | 第27-28页 |
| 3.1.2 Sobel梯度算子 | 第28-29页 |
| 3.1.3 自适应直方图均衡化图像增强 | 第29-30页 |
| 3.2 基于栈式极限学习机的肺结节分类方法 | 第30-35页 |
| 3.2.1 极限学习机 | 第30-32页 |
| 3.2.2 栈式极限学习机 | 第32-34页 |
| 3.2.3 基于栈式极限学习机的肺结节分类方法框架 | 第34-35页 |
| 3.3 实验分析 | 第35-41页 |
| 3.3.1 实验环境及数据采集 | 第35-36页 |
| 3.3.2 深度自编码网络构建 | 第36-38页 |
| 3.3.3 深度自编码网络定量分析 | 第38-40页 |
| 3.3.4 深度自编码网络定性分析 | 第40-41页 |
| 3.3.5 实验结论 | 第41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 基于双模态深度极限学习机的肺结节诊断方法 | 第43-59页 |
| 4.1 基于双模态深度极限学习机的孤立性肺结节诊断方法总体框架 | 第43-44页 |
| 4.2 深度有监督降噪自编码 | 第44-51页 |
| 4.2.1 基于ELM无监督自编码 | 第45-47页 |
| 4.2.2 基于ELM有监督自编码 | 第47-48页 |
| 4.2.3 限制差分权重优化方法 | 第48-50页 |
| 4.2.4 降噪自编码 | 第50-51页 |
| 4.3 多模态特征融合 | 第51-52页 |
| 4.4 实验分析 | 第52-57页 |
| 4.4.1 实验数据来源 | 第52页 |
| 4.4.2 实验设置 | 第52-55页 |
| 4.4.3 实验比较 | 第55-57页 |
| 4.4.4 实验结论 | 第57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-69页 |
| 致谢 | 第69-71页 |
| 攻读硕士研究生期间发表的论文 | 第71页 |
