基于受限玻尔兹曼机的肺结节检测与诊断模型
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 肺癌计算机辅助检测系统的研究现状 | 第10-12页 |
| 1.2.2 肺癌计算机辅助诊断系统的研究现状 | 第12-13页 |
| 1.2.3 深度学习在其他医学影像学中的应用 | 第13页 |
| 1.3 课题来源及主要研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-17页 |
| 第二章 基础理论介绍 | 第17-27页 |
| 2.1 受限玻尔兹曼机 | 第17-20页 |
| 2.1.1 RBM的网络结构 | 第17-18页 |
| 2.1.2 RBM的训练方法 | 第18-19页 |
| 2.1.3 对比散度算法 | 第19-20页 |
| 2.2 深度信念网络 | 第20-25页 |
| 2.2.1 DBN的网络结构 | 第20-21页 |
| 2.2.2 DBN的训练方法 | 第21-22页 |
| 2.2.3 DBN关键参数介绍 | 第22-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第三章 基于多视角深度信念网络的肺结节检测方法 | 第27-37页 |
| 3.1 方法描述 | 第27-30页 |
| 3.1.1 肺结节疑似区域提取 | 第28-29页 |
| 3.1.2 构建2.5D结构 | 第29-30页 |
| 3.1.3 融合策略 | 第30页 |
| 3.2 实验与分析 | 第30-35页 |
| 3.2.1 实验数据集 | 第30-31页 |
| 3.2.2 评价标准 | 第31页 |
| 3.2.3 定量分析 | 第31-34页 |
| 3.2.4 定性比较 | 第34-35页 |
| 3.3 本章小结 | 第35-37页 |
| 第四章 基于深度信念网络的肺结节良恶性诊断方法 | 第37-53页 |
| 4.1 方法描述 | 第37-41页 |
| 4.1.1 图像预处理 | 第37-38页 |
| 4.1.2 改进的DBN特征学习 | 第38-40页 |
| 4.1.3 ELM结节分类 | 第40-41页 |
| 4.2 算法实现 | 第41-42页 |
| 4.3 结果与分析 | 第42-51页 |
| 4.3.1 实验数据集 | 第42-44页 |
| 4.3.2 网络参数设置及讨论 | 第44-48页 |
| 4.3.3 评价标准 | 第48-49页 |
| 4.3.4 实验结果 | 第49-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 工作总结 | 第53-54页 |
| 5.2 未来工作与展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-63页 |
| 攻读学位期间发表的学术论文 | 第63页 |
