基于深度学习的肺结节检测方法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 疑似结节提取方法研究现状 | 第8-9页 |
| 1.2.2 假阳性去除方法研究现状 | 第9-10页 |
| 1.2.3 现存的问题及难点 | 第10-11页 |
| 1.3 本文主要工作及章节安排 | 第11-14页 |
| 1.3.1 本文主要工作 | 第11页 |
| 1.3.2 本文章节安排 | 第11-14页 |
| 2 基于最大熵分割与形态学结合的疑似结节提取方法 | 第14-24页 |
| 2.1 问题的提出 | 第14页 |
| 2.2 算法描述 | 第14-19页 |
| 2.2.1 最大熵分割法提取ROI | 第15-17页 |
| 2.2.2 形态学方法去除粘连区域 | 第17-19页 |
| 2.3 实验结果及分析 | 第19-22页 |
| 2.4 本章小结 | 第22-24页 |
| 3 基于迁移学习与SVM的肺结节检测方法 | 第24-36页 |
| 3.1 问题的提出 | 第24页 |
| 3.2 算法描述 | 第24-29页 |
| 3.2.1 对VGG-16进行迁移学习提取特征 | 第25-29页 |
| 3.2.2 训练SVM分类器 | 第29页 |
| 3.3 实验结果及分析 | 第29-33页 |
| 3.4 本章小结 | 第33-36页 |
| 4 基于特征优化的肺结节检测方法 | 第36-44页 |
| 4.1 问题的提出 | 第36页 |
| 4.2 算法描述 | 第36-40页 |
| 4.2.1 深度特征PCA降维 | 第37-38页 |
| 4.2.2 深度特征t-SNE降维 | 第38-40页 |
| 4.3 实验结果及分析 | 第40-42页 |
| 4.4 本章小结 | 第42-44页 |
| 5 总结与展望 | 第44-46页 |
| 5.1 总结 | 第44页 |
| 5.2 研究展望 | 第44-46页 |
| 致谢 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 附录 | 第52页 |
