| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 课题研究背景和意义 | 第12-13页 |
| 1.2 相关领域研究现状及分析 | 第13-14页 |
| 1.3 论文研究内容及组织结构 | 第14-16页 |
| 第2章 卷积神经网络与迁移学习 | 第16-26页 |
| 2.1 卷积神经网络概述 | 第16页 |
| 2.2 卷积神经网络的结构设计 | 第16-22页 |
| 2.3 Keras深度学习框架 | 第22页 |
| 2.4 迁移学习 | 第22-25页 |
| 2.4.1 迁移学习概述 | 第22-23页 |
| 2.4.2 迁移学习在医学影像分析中的应用 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于辅助域迁移学习的阿兹海默症辅助诊断方法 | 第26-38页 |
| 3.1 AD诊断的意义 | 第26页 |
| 3.2 OASIS数据集简介 | 第26-28页 |
| 3.3 基于辅助域迁移学习的阿兹海默症辅助诊断方法 | 第28-35页 |
| 3.3.1 数据预处理 | 第32页 |
| 3.3.2 聚类 | 第32-34页 |
| 3.3.3 微调网络,迁移学习 | 第34页 |
| 3.3.4 医学影像的迁移学习,交叉验证 | 第34-35页 |
| 3.3.5 处理过程小结 | 第35页 |
| 3.4 实验结果汇总 | 第35-36页 |
| 3.5 实验结果分析 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 基于CNN与模型迁移的医学影像分类方法 | 第38-49页 |
| 4.1 CNN应用与肺癌预测,胶质瘤分级 | 第38-39页 |
| 4.2 Data Science Bowl 2017数据集处理 | 第39-46页 |
| 4.2.1 数据集简介 | 第39-41页 |
| 4.2.2 处理步骤 | 第41-43页 |
| 4.2.3 实验结果分析 | 第43-46页 |
| 4.3 BRATS2015数据集处理 | 第46-48页 |
| 4.3.1 BRATS2015数据集简介 | 第46页 |
| 4.3.2 BRATS2015数据集处理步骤 | 第46-47页 |
| 4.3.3 实验结果分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 本文总结 | 第49-50页 |
| 5.2 未来工作的展望 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士研究生期间的研究成果 | 第57-58页 |
| 学位论文评阅及答辩情况表 | 第58页 |
