基于深度学习的肺结节的检测和诊断
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 存在的问题 | 第10-11页 |
| 1.4 研究目标和内容 | 第11-12页 |
| 1.5 论文结构 | 第12-14页 |
| 第二章 相关工作 | 第14-30页 |
| 2.1 传统肺结节检测和良恶性诊断算法 | 第15-19页 |
| 2.1.1 疑似肺结节检测算法 | 第15-17页 |
| 2.1.2 肺结节良恶性诊断算法 | 第17-19页 |
| 2.2 基于深度学习的肺结节检测和良恶性诊断算法 | 第19-23页 |
| 2.2.1 基于深度学习的肺结节检测算法 | 第19-21页 |
| 2.2.2 基于深度学习的良恶性诊断算法 | 第21-23页 |
| 2.3 肺结节数据库的获取与分析 | 第23-27页 |
| 2.3.1 LIDC-IDRI数据库 | 第23-26页 |
| 2.3.2 实验数据的选取标准 | 第26-27页 |
| 2.4 肺结节检测算法的评价标准 | 第27-30页 |
| 第三章 基于深度学习的肺结节检测算法研究 | 第30-46页 |
| 3.1 肺结节检测流程 | 第30-31页 |
| 3.2 候选肺结节检测算法的设计与实现 | 第31-35页 |
| 3.2.1 经典检测算法 | 第31-32页 |
| 3.2.2 改进的Faster R-CNN算法 | 第32-35页 |
| 3.3 过滤假阳性肺结节的MCNN算法 | 第35-39页 |
| 3.3.1 MCNN网络理论分析 | 第35-38页 |
| 3.3.2 MCNN网络架构 | 第38-39页 |
| 3.4 实验结果和分析 | 第39-44页 |
| 3.4.1 生成候选肺结节算法结果和分析 | 第40-41页 |
| 3.4.2 MCNN检测结果和分析 | 第41-42页 |
| 3.4.3 实验整体分析 | 第42-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 三维立体肺结节良恶性诊断研究 | 第46-58页 |
| 4.1 整体架构 | 第46-47页 |
| 4.2 GAN生成肺结节样本算法 | 第47-50页 |
| 4.2.1 3DGAN网络设计 | 第47-49页 |
| 4.2.2 3DGAN网络训练 | 第49-50页 |
| 4.3 基于3DCNN的肺结节良恶性诊断 | 第50-52页 |
| 4.3.1 肺结节数据预处理 | 第50-51页 |
| 4.3.2 网络结构设计 | 第51页 |
| 4.3.3 3DCNN网络的训练 | 第51-52页 |
| 4.4 实验结果和分析 | 第52-58页 |
| 4.4.1 GAN实验结果分析 | 第52-54页 |
| 4.4.2 3DCNN实验结果分析 | 第54-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 发表论文和参加科研情况说明 | 第66-68页 |
| 致谢 | 第68页 |
