| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 乳腺肿块检测系统研究现状 | 第16-17页 |
| 1.2.2 乳腺肿块检测系统的发展趋势 | 第17-18页 |
| 1.3 研究内容及章节安排 | 第18-22页 |
| 第二章 医学影像特征提取与深度哈希算法理论 | 第22-32页 |
| 2.1 医学影像特征提取方法 | 第22-26页 |
| 2.1.1 基于梯度的特征 | 第22-23页 |
| 2.1.2 分层加权Gist特征 | 第23-25页 |
| 2.1.3 基于卷积神经网络CNN的特征 | 第25-26页 |
| 2.2 深度哈希算法理论 | 第26-30页 |
| 2.2.1 图像哈希算法概述 | 第26-27页 |
| 2.2.2 深度哈希算法介绍 | 第27-28页 |
| 2.2.3 图像哈希算法的应用 | 第28-30页 |
| 2.3 本章小结 | 第30-32页 |
| 第三章 基于多特征核哈希的肿块快速检测方法 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 乳腺X线图像预处理和ROI提取方法 | 第32-35页 |
| 3.2.1 乳腺X线图像预处理流程 | 第32-34页 |
| 3.2.2 滑窗操作提取ROI区域 | 第34-35页 |
| 3.3 基于多特征核哈希的乳腺肿块区域检测方法 | 第35-40页 |
| 3.3.1 基于多特征核哈希的肿块检测系统整体框架 | 第35-36页 |
| 3.3.2 多特征核哈希的构造 | 第36-37页 |
| 3.3.3 基于多特征核哈希的分类算法 | 第37-40页 |
| 3.3.4 可疑区域优化标记方法 | 第40页 |
| 3.4 实验结果分析 | 第40-44页 |
| 3.4.1 实验数据库简介 | 第40页 |
| 3.4.2 肿块检测实验结果与分析 | 第40-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 基于深度核哈希的肿块检测方法 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 多层核哈希模型的构建 | 第46-48页 |
| 4.2.1 预测函数设计 | 第46-48页 |
| 4.2.2 损失函数的构建 | 第48页 |
| 4.3 基于深度核哈希的肿块检测算法 | 第48-51页 |
| 4.3.1 基于深度核哈希的乳腺肿块检测算法框架 | 第48-49页 |
| 4.3.2 基于成对约束的深度核哈希网络训练 | 第49-50页 |
| 4.3.3 基于深度核哈希网络的肿块检测算法 | 第50-51页 |
| 4.4 肿块检测实验结果与分析 | 第51-54页 |
| 4.5 基于多特征深度核哈希的肿块检测算法 | 第54-57页 |
| 4.5.1 基于多特征深度核哈希的乳腺肿块检测算法框架 | 第54-55页 |
| 4.5.2 基于多特征的深度核哈希网络训练 | 第55-56页 |
| 4.5.3 实验结果与分析 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-62页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |