| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 深度学习研究现状 | 第11-13页 |
| 1.2.2 肺癌图像诊断研究现状 | 第13-15页 |
| 1.3 本文的主要工作 | 第15页 |
| 1.4 本文结构 | 第15-17页 |
| 第2章 卷积神经网络与迁移学习 | 第17-30页 |
| 2.1 卷积神经网络结构 | 第17-21页 |
| 2.1.1 局部连接与权值共享 | 第17-18页 |
| 2.1.2 卷积层 | 第18-19页 |
| 2.1.3 激活函数 | 第19-20页 |
| 2.1.4 池化层 | 第20-21页 |
| 2.1.5 全连接层 | 第21页 |
| 2.1.6 1×1卷积层 | 第21页 |
| 2.2 卷积神经网络模型 | 第21-27页 |
| 2.2.1 AlexNet | 第22-23页 |
| 2.2.2 VGGNet | 第23-25页 |
| 2.2.3 GoogLenet | 第25-26页 |
| 2.2.4 ResNet | 第26-27页 |
| 2.2.5 CNN的局限 | 第27页 |
| 2.3 迁移学习定义和分类 | 第27-28页 |
| 2.4 迁移学习优势 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 肺部CT医疗图像处理 | 第30-36页 |
| 3.1 图像数据集 | 第30页 |
| 3.2 图像读取和标签处理 | 第30-31页 |
| 3.3 图像可视化 | 第31-33页 |
| 3.4 图像分割和通道融合 | 第33-34页 |
| 3.5 数据增强 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 面向肺癌CT图像诊断的迁移学习策略 | 第36-44页 |
| 4.1 实验环境 | 第36页 |
| 4.2 Keras | 第36页 |
| 4.3 模型对比 | 第36-40页 |
| 4.3.1 从零训练卷积神经网络(scratchs) | 第37-38页 |
| 4.3.2 参数知识迁移学习 | 第38-39页 |
| 4.3.3 对比结果 | 第39-40页 |
| 4.4 模型优化 | 第40-42页 |
| 4.4.1 模型微调 | 第40-41页 |
| 4.4.2 1×1卷积模块 | 第41页 |
| 4.4.3 逐渐改变学习率 | 第41-42页 |
| 4.5 实验结果分析 | 第42-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第5章 总结与展望 | 第44-46页 |
| 5.1 工作总结 | 第44页 |
| 5.2 研究展望 | 第44-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50页 |