基于CT图像的肺结节良恶性辅助诊断研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景、意义及目的 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 课题研究意义及目的 | 第12-13页 |
| 1.2 肺结节良恶性鉴别问题研究现状 | 第13-16页 |
| 1.2.1 肺结节良恶性鉴别的基本过程 | 第14-15页 |
| 1.2.2 肺部CT图像配准方法研究现状 | 第15页 |
| 1.2.3 深度学习模型发展现状 | 第15-16页 |
| 1.3 本课题的研究内容及章节安排 | 第16-19页 |
| 1.3.1 论文主要研究内容 | 第16-17页 |
| 1.3.2 论文结构 | 第17-19页 |
| 第2章 CT图像及肺结节特征 | 第19-25页 |
| 2.1 医学CT图像 | 第19-22页 |
| 2.1.1 CT值分布 | 第19-20页 |
| 2.1.2 CT图像特点 | 第20页 |
| 2.1.3 肺部CT图像的影像学表现 | 第20-22页 |
| 2.2 肺结节的定义 | 第22-24页 |
| 2.2.1 肺结节医学特征 | 第22-23页 |
| 2.2.2 肺结节特征在CT图像中的表现 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 医学图像配准及深度特征提取模型 | 第25-41页 |
| 3.1 引言 | 第25-26页 |
| 3.2 图像数据来源 | 第26-27页 |
| 3.2.1 LIDC数据库 | 第26页 |
| 3.2.2 金标准 | 第26-27页 |
| 3.3 医学图像配准技术 | 第27-31页 |
| 3.3.1 医学图像配准的含义 | 第27页 |
| 3.3.2 医学图像配准的基本框架与步骤 | 第27-29页 |
| 3.3.3 医学图像配准技术类型 | 第29-31页 |
| 3.4 深度特征提取模型 | 第31-39页 |
| 3.4.1 深度特征的含义以及深度学习基本思想 | 第31-32页 |
| 3.4.2 常用模型或者方法 | 第32-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 基于图像配准的肺结节良恶性诊断 | 第41-55页 |
| 4.1 引言 | 第41-42页 |
| 4.2 图像数据来源 | 第42页 |
| 4.3 结节图像全局刚性配准 | 第42-46页 |
| 4.3.1 全局刚性配准变换 | 第44页 |
| 4.3.2 实验结果与分析 | 第44-46页 |
| 4.4 基于B样条的局部配准 | 第46-52页 |
| 4.4.1 B样条变换模型 | 第46-48页 |
| 4.4.2 构造带有约束项的相似性测度 | 第48-49页 |
| 4.4.3 参数更新策略 | 第49-51页 |
| 4.4.4 实验结果与分析 | 第51-52页 |
| 4.5 肺结节良恶性鉴别 | 第52-54页 |
| 4.5.1 倍增率的计算 | 第52-53页 |
| 4.5.2 实验结果与分析 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 基于稀疏编码器的肺结节良恶性诊断 | 第55-77页 |
| 5.1 引言 | 第55-56页 |
| 5.2 构造图像数据库 | 第56-61页 |
| 5.2.1 数据分类处理 | 第59页 |
| 5.2.2 数据分块处理 | 第59-61页 |
| 5.3 基于堆积稀疏编码器提取深度特征描述子 | 第61-68页 |
| 5.3.1 系统基本结构 | 第62-65页 |
| 5.3.2 网络参数设置 | 第65-66页 |
| 5.3.3 网络训练过程 | 第66-68页 |
| 5.3.4 实验结果与分析 | 第68页 |
| 5.4 基于卷积结构的肺结节深度特征提取 | 第68-70页 |
| 5.4.1 卷积的基本概念 | 第68-69页 |
| 5.4.2 提取深度特征 | 第69-70页 |
| 5.5 基于SVM的肺结节良恶性分类 | 第70-75页 |
| 5.5.1 非线性支持向量机与核函数 | 第71-74页 |
| 5.5.2 实验结果与分析 | 第74-75页 |
| 5.6 本章小结 | 第75-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 工作总结 | 第77-78页 |
| 6.2 问题与展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83页 |
