| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第15-27页 |
| 1.1 课题研究背景及意义 | 第15-18页 |
| 1.2 乳腺肿块计算机辅助诊断技术 | 第18-19页 |
| 1.3 国内外研究概况 | 第19-24页 |
| 1.3.1 乳腺肿块检测的研究现状 | 第19-20页 |
| 1.3.2 乳腺肿块分割的研究现状 | 第20-22页 |
| 1.3.3 乳腺肿块良恶性诊断的研究现状 | 第22-24页 |
| 1.4 本文的主要研究工作和贡献 | 第24-25页 |
| 1.5 本文的结构安排 | 第25-27页 |
| 第二章 基于格式塔视觉认知规则的肿块检测算法 | 第27-49页 |
| 2.1 引言 | 第27页 |
| 2.2 基于格式塔认知规则的钼靶影像阅片分析 | 第27-31页 |
| 2.2.1 格式塔理论 | 第27-29页 |
| 2.2.2 放射科医生阅片过程 | 第29-30页 |
| 2.2.3 基于格式塔视觉认知规则的肿块检测 | 第30-31页 |
| 2.3 基于格式塔视觉认知规则的乳腺肿块检测 | 第31-38页 |
| 2.3.1 视觉感知规则 | 第31-34页 |
| 2.3.2 语义组织规则 | 第34-37页 |
| 2.3.3 肿块验证 | 第37-38页 |
| 2.4 实验结果与分析 | 第38-47页 |
| 2.4.1 实验设置 | 第38-40页 |
| 2.4.2 肿块检测性能 | 第40-42页 |
| 2.4.3 图像密度对检测性能的影响 | 第42-44页 |
| 2.4.4 乳腺肿块检测算法对比 | 第44-47页 |
| 2.5 本章小结 | 第47-49页 |
| 第三章 基于先验知识和视觉块的肿块分割算法 | 第49-67页 |
| 3.1 引言 | 第49页 |
| 3.2 基于先验知识和视觉块的肿块分割算法 | 第49-50页 |
| 3.3 面向局部特征的肿块预分割 | 第50-53页 |
| 3.3.1 视觉块生成 | 第50-51页 |
| 3.3.2 视觉块纹理特征建模 | 第51-52页 |
| 3.3.3 基于局部纹理特征的视觉块合并 | 第52-53页 |
| 3.4 面向全局特征的肿块分割 | 第53-59页 |
| 3.4.1 全局分割形式化表示 | 第54-56页 |
| 3.4.2 融入先验知识的能量泛函构建 | 第56-58页 |
| 3.4.3 最大流/最小割理论下的肿块分割 | 第58-59页 |
| 3.5 实验分析 | 第59-64页 |
| 3.5.1 实验设置 | 第59-60页 |
| 3.5.2 验证分割算法有效性 | 第60-61页 |
| 3.5.3 验证算法参数及算法鲁棒性 | 第61-63页 |
| 3.5.4 验证算法执行效率 | 第63-64页 |
| 3.6 本章小结 | 第64-67页 |
| 第四章 面向分组语义特征集成的肿块诊断算法 | 第67-85页 |
| 4.1 引言 | 第67页 |
| 4.2 基于分组语义特征集成的肿块诊断框架 | 第67-68页 |
| 4.3 肿块语义特征组织方法 | 第68-73页 |
| 4.3.1 肿块语义特征 | 第68-69页 |
| 4.3.2 多模态语义特征抽取与重组 | 第69-73页 |
| 4.4 基于权重集成的分组特征肿块诊断算法 | 第73-78页 |
| 4.4.1 基础分类器-极限学习机 | 第73-74页 |
| 4.4.2 分组特征集成算法 | 第74-78页 |
| 4.5 实验分析 | 第78-82页 |
| 4.5.1 实验设置 | 第78-79页 |
| 4.5.2 分组特征诊断性能 | 第79-80页 |
| 4.5.3 分组权重 | 第80-82页 |
| 4.5.4 核映射机制 | 第82页 |
| 4.6 本章小结 | 第82-85页 |
| 第五章 基于多视角融合的深度学习乳腺肿块诊断算法 | 第85-103页 |
| 5.1 引言 | 第85页 |
| 5.2 面向多视角特征融合的肿块诊断框架 | 第85-86页 |
| 5.3 基于CNN网络的单视角特征提取算法 | 第86-93页 |
| 5.3.1 乳腺数据表示及处理 | 第86-87页 |
| 5.3.2 基于InceptionV3网络的乳腺肿块特征提取 | 第87-91页 |
| 5.3.3 数据扩增与迁移学习 | 第91-93页 |
| 5.4 多视角特征融合算法 | 第93-96页 |
| 5.4.1 LSTM网络 | 第93-95页 |
| 5.4.2 基于LSTM的多视角特征融合 | 第95-96页 |
| 5.5 实验结果与分析 | 第96-100页 |
| 5.5.1 实验设置 | 第96页 |
| 5.5.2 基于单视角的InceptionV3网络诊断性能分析 | 第96-97页 |
| 5.5.3 单视角与多视角肿块诊断性能对比 | 第97-100页 |
| 5.6 本章小结 | 第100-103页 |
| 第六章 一种基于视觉注意力的深度学习肿块诊断算法 | 第103-115页 |
| 6.1 引言 | 第103页 |
| 6.2 基于卷积神经网络诊断的肿块特征分析 | 第103-106页 |
| 6.2.1 卷积神经网络可视化 | 第103-104页 |
| 6.2.2 基于类别激活图的肿块诊断分析 | 第104-106页 |
| 6.3 基于视觉注意力的肿块诊断算法 | 第106-110页 |
| 6.3.1 视觉注意力网络 | 第107-109页 |
| 6.3.2 应用视觉注意力的肿块诊断算法 | 第109-110页 |
| 6.4 实验结果与分析 | 第110-114页 |
| 6.4.1 视觉注意力网络的肿块分割效果 | 第111页 |
| 6.4.2 基于视觉注意力网络特征的肿块分类性能 | 第111-114页 |
| 6.4.3 集成视觉注意力的MV-DNN算法性能 | 第114页 |
| 6.5 本章小结 | 第114-115页 |
| 第七章 总结与展望 | 第115-119页 |
| 7.1 全文总结 | 第115-116页 |
| 7.2 工作展望 | 第116-119页 |
| 参考文献 | 第119-131页 |
| 致谢 | 第131-133页 |
| 攻读博士学位期间取得的科研成果 | 第133-135页 |
| 作者简介 | 第135页 |