| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 符号说明 | 第11-12页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 课题的背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 基于分割方法的传统肺结节检测技术 | 第14-15页 |
| 1.2.2 基于深度学习的肺结节检测技术 | 第15-18页 |
| 1.3 主要研究内容 | 第18页 |
| 1.4 论文组织结构 | 第18-21页 |
| 第2章 基于CT图片的肺结节检测技术 | 第21-33页 |
| 2.1 基于CT图片的肺结节检测技术概述 | 第21-23页 |
| 2.1.1 经典肺结节检测技术 | 第21页 |
| 2.1.2 基于CT图片的肺结节检测原理及难点分析 | 第21-23页 |
| 2.2 基于Adaboost的目标检测算法 | 第23-27页 |
| 2.2.1 局部二值模式 | 第23-25页 |
| 2.2.2 本体驱动的决策树 | 第25-26页 |
| 2.2.3 Adaboost算法 | 第26-27页 |
| 2.3 基于Faster-RCNN的目标检测算法 | 第27-31页 |
| 2.3.1 Faster-RCNN理论框架 | 第28页 |
| 2.3.2 Faster-RCNN模块解析 | 第28-29页 |
| 2.3.3 候选框回归 | 第29-31页 |
| 2.4 本文整体技术框架 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于Adaboost算法的肺结节检测算法 | 第33-40页 |
| 3.1 基于Adaboost算法的肺结节检测算法框架 | 第33-34页 |
| 3.2 肺结节数据库构建与标注 | 第34-35页 |
| 3.3 网络训练及最优级联分类器设置 | 第35-37页 |
| 3.4 结果分析以及系统评估 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于Faster-RCNN的肺结节检测算法 | 第40-49页 |
| 4.1 实验环境搭建以及算法流程 | 第40-41页 |
| 4.2 Faster-RCNN算法优化 | 第41-45页 |
| 4.2.1 数据库构建 | 第42-43页 |
| 4.2.2 区域推荐网络模块嵌入搜索选择方法 | 第43-45页 |
| 4.2.3 损失函数评估与决策 | 第45页 |
| 4.3 基于Faster-RCNN肺结节检测算法结果分析 | 第45-48页 |
| 4.3.1 实验结果可视化 | 第45-46页 |
| 4.3.2 两种深度特征提取模型的结果评估 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 综合实验评估与分析 | 第49-52页 |
| 5.1 Faster-RCNN模型测试小样本结果及分析 | 第49-50页 |
| 5.2 不同模型下测试不同数据库结果及分析 | 第50-51页 |
| 5.3 本章小节 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 工作展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 攻读硕士期间参与的工程项目和发表的论文 | 第60-61页 |
| 学位论文评阅及答辩情况表 | 第61页 |
