| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 课题来源 | 第11页 |
| 1.3 国内外研究现状 | 第11-14页 |
| 1.4 本文研究内容与结构安排 | 第14-16页 |
| 第二章 基于SVM的乳腺肿瘤分割 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 基于灰度共生矩阵的纹理特征 | 第16-18页 |
| 2.3 支持向量机 | 第18-21页 |
| 2.4 图像分割性能评估 | 第21-22页 |
| 2.5 实验与结果分析 | 第22-24页 |
| 2.6 本章小结 | 第24-26页 |
| 第三章 基于浅层CNN的乳腺肿瘤分割 | 第26-48页 |
| 3.1 引言 | 第26-28页 |
| 3.1.1 前向传播(Forward propagation) | 第27页 |
| 3.1.2 反向传播(Back Propagation) | 第27-28页 |
| 3.2 卷积神经网络基本结构 | 第28-36页 |
| 3.2.1 卷积层(Convolution Layer) | 第29-31页 |
| 3.2.2 池化层(Pooling Layer) | 第31页 |
| 3.2.3 激活层(Active Layer) | 第31-33页 |
| 3.2.4 全连接层(Fully Connected Layer) | 第33-34页 |
| 3.2.5 批规范化层(Batch Normalization Layer) | 第34-35页 |
| 3.2.6 Softmax回归与损失函数 | 第35-36页 |
| 3.2.7 随机梯度下降法(Stochastic Gradient Descent) | 第36页 |
| 3.3 浅层卷积神经网络设计 | 第36-38页 |
| 3.4 算法实现 | 第38-42页 |
| 3.4.1 数据集 | 第38页 |
| 3.4.2 数据去均值 | 第38-39页 |
| 3.4.3 网络初始化 | 第39-41页 |
| 3.4.4 预测流程 | 第41-42页 |
| 3.5 实验结果与分析 | 第42-47页 |
| 3.5.1 浅层CNN分割结果与分析 | 第42-45页 |
| 3.5.2 浅层CNN与SVM的比较 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 基于残差网络的乳腺肿瘤分割 | 第48-58页 |
| 4.1 引言 | 第48-49页 |
| 4.2 残差网络结构 | 第49-51页 |
| 4.2.1 残差函数模块 | 第49-51页 |
| 4.2.2 全局平均池化(Global average pooling) | 第51页 |
| 4.3 残差网络设计 | 第51-52页 |
| 4.4 算法实现 | 第52页 |
| 4.5 实验结果与分析 | 第52-57页 |
| 4.5.1 ResNet分割结果与分析 | 第52-56页 |
| 4.5.2 ResNet分割结果与浅层CNN、 SVM的比较 | 第56-57页 |
| 4.6 本章小节 | 第57-58页 |
| 第五章 近红外乳腺图像的肿瘤识别 | 第58-66页 |
| 5.1 引言 | 第58页 |
| 5.2 实现方法 | 第58-62页 |
| 5.2.1 模型简化 | 第58-59页 |
| 5.2.2 去噪 | 第59页 |
| 5.2.3 孔洞填充 | 第59-60页 |
| 5.2.4 大小判断 | 第60页 |
| 5.2.5 位置判断 | 第60-61页 |
| 5.2.6 轮廓提取 | 第61-62页 |
| 5.3 实验结果与分析 | 第62-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 论文总结 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间发表论文情况 | 第73页 |
