基于深度学习的脑颅CT图分类研究
摘要 | 第5-6页 |
abstract | 第6-7页 |
第1章 绪论 | 第10-18页 |
1.1 研究背景及意义 | 第10-11页 |
1.2 国内外研究现状及存在的问题 | 第11-15页 |
1.2.1 医学图像分类研究现状 | 第11-12页 |
1.2.2 深度学习研究现状 | 第12-13页 |
1.2.3 卷积神经网络研究现状 | 第13-14页 |
1.2.4 存在的问题 | 第14-15页 |
1.3 论文研究内容及组织结构 | 第15-18页 |
1.3.1 论文研究内容 | 第15-16页 |
1.3.2 论文组织结构 | 第16-18页 |
第2章 相关技术理论介绍 | 第18-28页 |
2.1 深度学习 | 第18-20页 |
2.1.1 人工神经网络 | 第18-19页 |
2.1.2 深度学习基本思想 | 第19页 |
2.1.3 深度学习相关模型 | 第19-20页 |
2.2 卷积神经网络 | 第20-25页 |
2.2.1 概述 | 第20页 |
2.2.2 权值共享 | 第20-21页 |
2.2.3 卷积与池化 | 第21-23页 |
2.2.4 激活函数 | 第23-25页 |
2.2.5 过拟合 | 第25页 |
2.3 反向传播算法 | 第25-26页 |
2.4 迁移学习 | 第26-27页 |
2.5 本章小结 | 第27-28页 |
第3章 卷积神经网络的结构分析 | 第28-40页 |
3.1 模型架构CAFFE简介 | 第28-30页 |
3.1.1 Caffe的优点 | 第28页 |
3.1.2 Caffe的数据结构 | 第28-29页 |
3.1.3 Caffe的模型和参数 | 第29-30页 |
3.2 ALEXNET结构分析 | 第30-31页 |
3.3 卷积神经网络的结构对比分析 | 第31-38页 |
3.3.1 实验相关数据集介绍 | 第31-32页 |
3.3.2 卷积相关分析 | 第32-34页 |
3.3.3 池化相关分析 | 第34-35页 |
3.3.4 激活函数相关分析 | 第35-36页 |
3.3.5 网络层数相关分析 | 第36-37页 |
3.3.6 Dropout层相关分析 | 第37-38页 |
3.4 本章小结 | 第38-40页 |
第4章 卷积神经网络在脑颅CT图像分类中的应用 | 第40-56页 |
4.1 实验数据的采集与预处理 | 第40-43页 |
4.1.1 实验数据采集 | 第40-41页 |
4.1.2 实验数据预处理 | 第41-43页 |
4.2 实验评价方法 | 第43-44页 |
4.3 模型设计与搭建 | 第44-47页 |
4.4 实验设计与结果分析 | 第47-54页 |
4.4.1 实验环境 | 第48页 |
4.4.2 模型的训练与测试方法 | 第48-50页 |
4.4.3 模型在脑颅CT图像分类中的性能分析 | 第50-52页 |
4.4.4 误差分析 | 第52-54页 |
4.5 本章小结 | 第54-56页 |
结论 | 第56-58页 |
参考文献 | 第58-64页 |
攻读硕士学位期间发表的论文和取得的科研成果 | 第64-66页 |
致谢 | 第66页 |