| 中文摘要 | 第3-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究目的 | 第15页 |
| 1.2 研究背景与研究意义 | 第15-19页 |
| 1.2.1 研究背景 | 第15-16页 |
| 1.2.2 研究意义 | 第16-17页 |
| 1.2.3 胸部辅助诊断国内外研究现状 | 第17页 |
| 1.2.4 深度学习分类及目标检测研究现状 | 第17-19页 |
| 1.3 论文的研究思路、主要工作和贡献 | 第19-21页 |
| 1.3.1 研究思路 | 第19页 |
| 1.3.2 论文主要工作与贡献 | 第19-21页 |
| 1.4 论文的组织结构 | 第21-23页 |
| 第二章 理论基础及相关工作 | 第23-35页 |
| 2.1 X光成像原理 | 第23页 |
| 2.2 训练数据库建立 | 第23-25页 |
| 2.3 非深度机器学习目标定位算法 | 第25-26页 |
| 2.4 深度学习网络 | 第26-31页 |
| 2.4.1 特征图提取网络中的卷积层 | 第26-28页 |
| 2.4.2 降采样池化 | 第28页 |
| 2.4.3 经典特征提取网络结构及本文中使用的特征提取网络 | 第28-31页 |
| 2.5 深度学习目标检测算法 | 第31页 |
| 2.6 本文胸片中病变检测模型及胸片分类模型评价指标 | 第31-33页 |
| 2.7 本章小结 | 第33-35页 |
| 第三章 基于机器学习的胸片分类算法研究及基于残差深度学习网络分类算法的改进 | 第35-55页 |
| 3.1 引言 | 第35页 |
| 3.2 有监督机器学习算法 | 第35-36页 |
| 3.3 非深度机器学习算法用于胸片分类任务及实验 | 第36-45页 |
| 3.3.1 KNN分类算法及实验 | 第36-38页 |
| 3.3.2 朴素贝叶斯算法及分类实验 | 第38-39页 |
| 3.3.3 决策树算法及分类实验 | 第39-42页 |
| 3.3.4 随机森林算法及分类实验 | 第42页 |
| 3.3.5 数据降维应用于胸片分类任务的性能讨论 | 第42-45页 |
| 3.4 以CNN深度学习算法为基础的胸片分类算法及改进算法FC-migrated | 第45-53页 |
| 3.4.1 优势深度学习模型选择 | 第45-47页 |
| 3.4.2 针对胸片分类任务的改进模型FC-migrated模型 | 第47-53页 |
| 3.5 实验小结及讨论 | 第53-55页 |
| 第四章 基于Fast-RCNN的肺部病变检测算法研究及改进 | 第55-73页 |
| 4.1 引言 | 第55页 |
| 4.2 基于Fast-RCNN的目标检测算法 | 第55-65页 |
| 4.2.1 RCNN目标检测算法 | 第55-56页 |
| 4.2.2 Fast-RCNN目标检测算法 | 第56-58页 |
| 4.2.3 建议框生成算法Selective Search算法 | 第58-60页 |
| 4.2.4 IOU与非极大值抑制NMS | 第60-62页 |
| 4.2.5 位置参数回归器设计 | 第62-63页 |
| 4.2.6 两种特征提取网络及Batch Normalization算法 | 第63-65页 |
| 4.3 基于Fast-RCNN胸片病变检测模型实验及算法改进 | 第65-70页 |
| 4.3.1 两种特征提取网络实验对比 | 第66-68页 |
| 4.3.2 基于Fast-RCNN的胸片病变检测改进算法 | 第68-70页 |
| 4.4 讨论 | 第70-71页 |
| 4.5 本章小结 | 第71-73页 |
| 第五章 基于卷积共享的Faster-RCNN的肺部病变检测算法研究及改进 | 第73-87页 |
| 5.1 引言 | 第73页 |
| 5.2 基于卷积共享的Faster-RCNN的目标检测算法 | 第73-80页 |
| 5.2.1 RPN网络结构及算法流程 | 第73-76页 |
| 5.2.2 RPN网络训练策略 | 第76-78页 |
| 5.2.3 Faster-RCNN网络训练步骤 | 第78页 |
| 5.2.4 残差网络Residual network | 第78-80页 |
| 5.3 基于统计的建议框改进算法 | 第80-81页 |
| 5.4 改进后模型实验结果对比及分析 | 第81-84页 |
| 5.5 讨论 | 第84页 |
| 5.6 本章小结 | 第84-87页 |
| 第六章 YOLO算法在胸部病变高阈值检测定位任务中的应用及YOLOv3算法改进 | 第87-105页 |
| 6.1 引言 | 第87-88页 |
| 6.2 YOLO目标检测算法 | 第88-96页 |
| 6.3 针对胸部病变高阈值检测任务YOLOv2、v3算法对比及v3算法改进 | 第96-104页 |
| 6.3.1 YOLOv2、YOLOv3原始模型对比实验 | 第96-98页 |
| 6.3.2 基于YOLOv3的改进算法及实验结果 | 第98-104页 |
| 6.4 讨论 | 第104页 |
| 6.5 本章小结 | 第104-105页 |
| 第七章 基于Hessian-Free的神经网络二阶优化算法-HFGCSO算法 | 第105-123页 |
| 7.1 引言 | 第105页 |
| 7.2 神经网络参数求解方法 | 第105-111页 |
| 7.2.1 利用一阶导数信息求解神经网络参数 | 第106-107页 |
| 7.2.2 利用二阶导数信息求解神经网络参数 | 第107-111页 |
| 7.3 基于Hessian-Free的改进算法HFGCSO算法 | 第111-120页 |
| 7.3.1 共轭梯度法 | 第111-113页 |
| 7.3.2 Hessian-Free法 | 第113-114页 |
| 7.3.3 改进算法HFGCSO | 第114-117页 |
| 7.3.4 实验对比 | 第117-120页 |
| 7.4 讨论 | 第120-121页 |
| 7.5 本章小节 | 第121-123页 |
| 第八章 深度分类网络预测行为解释及一种基于影响函数的机器学习剪裁训练策略 | 第123-137页 |
| 8.1 引言 | 第123页 |
| 8.2 机器学习可解释性 | 第123-124页 |
| 8.3 针对胸片分类任务通过影响函数对深度模型预测行为解释 | 第124-130页 |
| 8.3.1 影响函数方法 | 第125-126页 |
| 8.3.2 胸片分类任务中使用影响函数解释模型预测行为 | 第126-130页 |
| 8.4 基于影响函数的机器学习剪裁训练策略 | 第130-135页 |
| 8.5 讨论 | 第135页 |
| 8.6 本章小节 | 第135-137页 |
| 第九章 总结与展望 | 第137-141页 |
| 9.1 全文总结 | 第137-138页 |
| 9.2 未来工作展望 | 第138-141页 |
| 参考文献 | 第141-149页 |
| 在学期间的研究成果 | 第149-151页 |
| 致谢 | 第151-153页 |
| 附录A | 第153-155页 |
