基于深度学习的皮肤镜图像黑色素瘤检测技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 课题研究背景及意义 | 第11-14页 |
| 1.1.1 研究背景 | 第11-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状与分析 | 第14-19页 |
| 1.2.1 医学图像和计算机辅助诊断系统研究现状 | 第15-17页 |
| 1.2.2 皮肤镜图像分割研究现状与分析 | 第17-18页 |
| 1.2.3 皮肤镜图像识别研究现状与分析 | 第18-19页 |
| 1.3 论文主要研究内容和目标 | 第19-20页 |
| 1.4 论文结构安排 | 第20-22页 |
| 第二章 卷积神经网络及相关技术 | 第22-33页 |
| 2.1 引言 | 第22页 |
| 2.2 神经网络和深度学习 | 第22-24页 |
| 2.2.1 前馈神经网络 | 第22-23页 |
| 2.2.2 深度学习 | 第23-24页 |
| 2.3 卷积神经网络 | 第24-31页 |
| 2.3.1 前馈运算 | 第24-25页 |
| 2.3.2 目标函数 | 第25页 |
| 2.3.3 反馈运算 | 第25-27页 |
| 2.3.4 卷积神经网络的构造 | 第27-31页 |
| 2.4 残差网络模型 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于神经网络的皮肤镜图像分割 | 第33-47页 |
| 3.1 引言 | 第33-34页 |
| 3.2 全卷积神经网络的图像分割 | 第34-35页 |
| 3.3 基于全卷积神经网络的皮肤镜图像分割模型 | 第35-44页 |
| 3.3.1 用于医学图像分割的Unet | 第35-36页 |
| 3.3.2 一种用于皮肤镜图像分割的Unet | 第36-37页 |
| 3.3.3 m-Unet网络结构 | 第37-38页 |
| 3.3.4 m-Unet网络训练 | 第38-44页 |
| 3.4 改进的m-Unet | 第44-45页 |
| 3.5 基于m-Unet的集成学习 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 皮肤镜图像的黑色素瘤识别 | 第47-55页 |
| 4.1 引言 | 第47页 |
| 4.2 基于深度残差网络的皮肤镜图像识别 | 第47-50页 |
| 4.2.1 算法描述及网络结构 | 第47-48页 |
| 4.2.2 基于迁移学习的训练过程 | 第48-50页 |
| 4.3 基于分割和色彩校正的皮肤镜图像识别框架 | 第50-53页 |
| 4.3.1 色彩恒常性在皮肤镜图像识别中的应用 | 第50-51页 |
| 4.3.2 皮肤镜图像分割和识别框架 | 第51-53页 |
| 4.4 基于AUC加权平均的模型集成 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 实验与结果分析 | 第55-69页 |
| 5.1 引言 | 第55页 |
| 5.2 数据集介绍 | 第55页 |
| 5.3 评价指标 | 第55-58页 |
| 5.3.1 皮肤镜图像分割评价指标 | 第55-57页 |
| 5.3.2 皮肤镜图像识别评价指标 | 第57-58页 |
| 5.4 实验环境 | 第58页 |
| 5.5 皮肤镜图像分割实验与分析 | 第58-62页 |
| 5.5.1 模型关键因素分析 | 第58-60页 |
| 5.5.2 定性评价 | 第60-61页 |
| 5.5.3 与其他模型的对比实验 | 第61-62页 |
| 5.5.4 模型集成实验 | 第62页 |
| 5.6 皮肤镜图像黑色素瘤识别实验分析 | 第62-67页 |
| 5.6.1 深度残差网络单模型参数选择 | 第63-64页 |
| 5.6.2 和其他模型的对比实验 | 第64-65页 |
| 5.6.3 皮肤镜图像分割和识别集成实验 | 第65-66页 |
| 5.6.4 模型集成实验 | 第66-67页 |
| 5.7 本章小结 | 第67-69页 |
| 总结与展望 | 第69-71页 |
| 研究工作总结 | 第69-70页 |
| 研究工作展望 | 第70-71页 |
| 参考文献 | 第71-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 附件 | 第80页 |
