| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究工作 | 第13-16页 |
| 1.3.1 本文数据特点 | 第13-15页 |
| 1.3.2 本文分类精度评价指标 | 第15-16页 |
| 1.4 论文结构安排 | 第16-17页 |
| 2 CT肺部影像处理 | 第17-27页 |
| 2.1 概述 | 第17页 |
| 2.2 CT医学影像的读取 | 第17-21页 |
| 2.2.1 DICOM标准 | 第18-19页 |
| 2.2.2 DICOM文件 | 第19-21页 |
| 2.3 CT医学图像显示 | 第21-26页 |
| 2.3.1 CT值 | 第22-23页 |
| 2.3.2 窗口显示技术 | 第23-25页 |
| 2.3.3 CT肺部图像的显示 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 2D卷积神经网络及深度学习框架 | 第27-40页 |
| 3.1 概述 | 第27页 |
| 3.2 2D卷积神经网络 | 第27-35页 |
| 3.2.1 卷积层和池化层 | 第28-29页 |
| 3.2.2 网络传播算法 | 第29-32页 |
| 3.2.3 激活函数 | 第32-34页 |
| 3.2.4 局部响应归一化和Dropout | 第34-35页 |
| 3.3 Lasagne的深度学习框架 | 第35-38页 |
| 3.4 基于2D卷积神经网络的CT肺部影像健康患病分类 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 基于3D卷积神经网络的CT肺部影像健康筛查 | 第40-58页 |
| 4.1 概述 | 第40页 |
| 4.2 CT肺部图像序列化处理 | 第40-42页 |
| 4.3 3D卷积神经网络 | 第42-46页 |
| 4.3.1 3D卷积神经网络应用背景 | 第42-43页 |
| 4.3.2 2D卷积神经网络和3D卷积神经网络区别 | 第43-44页 |
| 4.3.3 3D卷积神经网络卷积核的选择 | 第44-46页 |
| 4.4 3D-Conv5网络和3D-Conv8网络 | 第46-47页 |
| 4.4.1 3D-Conv5网络 | 第46-47页 |
| 4.4.2 3D-Conv8网络 | 第47页 |
| 4.5 CT肺部伪彩色图像的合成 | 第47-51页 |
| 4.6 基于3D卷积神经网络的CT肺部图像健康患病分类 | 第51-56页 |
| 4.6.1 数据集 | 第51-52页 |
| 4.6.2 网络参数设置 | 第52页 |
| 4.6.3 试验结果 | 第52-56页 |
| 4.7 本章小结 | 第56-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 工作内容总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
