基于卷积神经网络的肺结节恶性度分类
| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 绪论 | 第12-18页 |
| 1.1 课题研究背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 肺实质分割 | 第14页 |
| 1.2.2 肺结节检测 | 第14-15页 |
| 1.2.3 肺结节良恶性分类 | 第15页 |
| 1.2.4 面临的问题和挑战 | 第15-16页 |
| 1.3 论文研究内容和贡献 | 第16页 |
| 1.4 本文结构安排 | 第16-18页 |
| 2 卷积神经网络及其相关技术 | 第18-34页 |
| 2.1 引言 | 第18页 |
| 2.2 卷积神经网络经典模型 | 第18-22页 |
| 2.2.1 LeNet模型 | 第18-20页 |
| 2.2.2 AlexNet模型 | 第20-21页 |
| 2.2.3 ResNet模型 | 第21-22页 |
| 2.3 卷积神经网络相关技术 | 第22-31页 |
| 2.3.1 卷积与池化 | 第22-24页 |
| 2.3.2 激活函数与Softmax回归 | 第24-27页 |
| 2.3.3 前向传播与反向传播 | 第27-29页 |
| 2.3.4 数据增强技术 | 第29-31页 |
| 2.4 卷积神经网络在医学图像处理上的意义 | 第31-32页 |
| 2.5 本文所用数据库简介 | 第32-34页 |
| 2.5.1 LIDC数据库 | 第32-33页 |
| 2.5.2 SPIE-AAPM肺癌挑战赛数据 | 第33-34页 |
| 3 基于卷积神经网络的胸部图片二分类 | 第34-45页 |
| 3.1 引言 | 第34页 |
| 3.2 数据准备 | 第34-36页 |
| 3.2.1 数据增强 | 第35页 |
| 3.2.2 实验数据集制作 | 第35-36页 |
| 3.3 网络模型设计 | 第36-38页 |
| 3.4 模型训练及参数调整 | 第38-40页 |
| 3.5 实验结果及可视化分析 | 第40-43页 |
| 3.5.1 实验结果对比 | 第40-41页 |
| 3.5.2 可视化对比分析 | 第41-43页 |
| 3.6 本章小结 | 第43-45页 |
| 4 基于区域全卷积神经网络的肺结节定位 | 第45-58页 |
| 4.1 引言 | 第45-46页 |
| 4.2 区域全卷积神经网络 | 第46-48页 |
| 4.2.1 全卷积网络 | 第46-47页 |
| 4.2.2 区域推荐网络 | 第47页 |
| 4.2.3 目标判别网络 | 第47-48页 |
| 4.3 数据预处理 | 第48-54页 |
| 4.3.1 肺实质分割 | 第48-53页 |
| 4.3.2 数据集制作 | 第53-54页 |
| 4.4 基于改进R-FCN的肺结节定位网络 | 第54-57页 |
| 4.4.1 模型结构 | 第54-55页 |
| 4.4.2 模型训练 | 第55页 |
| 4.4.3 实验及其结果分析 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 基于集成卷积神经网络的肺结节恶性度分类 | 第58-66页 |
| 5.1 引言 | 第58页 |
| 5.2 基于集成学习的肺结节恶性度分类算法 | 第58-63页 |
| 5.2.1 集成学习 | 第58-59页 |
| 5.2.2 卷积神经网络集成原理 | 第59-60页 |
| 5.2.3 肺结节恶性度分类模型构建 | 第60-63页 |
| 5.3 实验及其结果分析 | 第63-65页 |
| 5.3.1 模型训练 | 第63页 |
| 5.3.2 结果分析 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 6 总结与展望 | 第66-69页 |
| 6.1 工作总结 | 第66-67页 |
| 6.2 展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 个人简历、硕士在读期间所发表的学术论文与研究成果 | 第72-73页 |
| 致谢 | 第73页 |
