| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究的背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 基于深度学习方法的肺结节诊断技术 | 第14-15页 |
| 1.2.2 基于医学影像数据的肺结节辅助预测技术 | 第15-16页 |
| 1.3 本论文研究内容 | 第16-17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第二章 医学影像基本理论概述 | 第19-29页 |
| 2.1 医学影像处理相关技术综述 | 第19-22页 |
| 2.1.1 医学数字成像二维影像数据 | 第19-20页 |
| 2.1.2 医学影像三维模型 | 第20-22页 |
| 2.2 计算机辅助诊断肺结节技术相关理论 | 第22-24页 |
| 2.3 深度学习自编码网络 | 第24-28页 |
| 2.3.1 栈式自编码 | 第24-26页 |
| 2.3.2 稀疏自编码 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于局部感受野的栈式自编码肺结节诊断方法 | 第29-43页 |
| 3.1 结合局部感受野局部栈式自编码的肺结节诊断方法总框架 | 第29-30页 |
| 3.2 多特征学习 | 第30-33页 |
| 3.2.1 图像特征学习 | 第30-31页 |
| 3.2.2 局部感受野的多特征学习 | 第31-33页 |
| 3.3 半监督稀疏自编码的肺结节诊断方法 | 第33-38页 |
| 3.3.1 半监督学习 | 第33-34页 |
| 3.3.2 肺部临床特有信息的权重表示 | 第34-37页 |
| 3.3.3 栈式稀疏自编码肺结节诊断框架 | 第37-38页 |
| 3.4 实验分析 | 第38-42页 |
| 3.4.1 实验数据及实验环境 | 第38页 |
| 3.4.2 样本块大小在算法中的作用 | 第38-39页 |
| 3.4.3 不同临床信息的性能影响分析 | 第39-40页 |
| 3.4.4 深度网络模型相关对比分析 | 第40-41页 |
| 3.4.5 分类器的性能分析 | 第41-42页 |
| 3.4.6 实验结论 | 第42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于三维低层热核特征的递进自编码的肺结节预测 | 第43-57页 |
| 4.1 三维肺结节的低层特征表示 | 第43-46页 |
| 4.1.1 热核特征方法 | 第43-44页 |
| 4.1.2 肺结节的热核特征方法分析 | 第44-46页 |
| 4.2 形状描述子降噪自编码 | 第46-49页 |
| 4.2.1 降噪自编码 | 第46-47页 |
| 4.2.2 形状描述子降噪自编码预测模型 | 第47-49页 |
| 4.3 实验分析 | 第49-55页 |
| 4.3.1 实验数据和实验设置 | 第49-50页 |
| 4.3.2 形状描述符的特征选取相关性能分析 | 第50-52页 |
| 4.3.3 网络参数敏感性分析 | 第52-54页 |
| 4.3.4 与其他网络学习模型的比较 | 第54页 |
| 4.3.5 实验结论 | 第54-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-67页 |
| 致谢 | 第67-69页 |
| 攻读硕士研究生期间发表的论文 | 第69页 |