| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.1.1 胸部CT图像 | 第10页 |
| 1.1.2 计算机辅助诊断 | 第10-11页 |
| 1.2 国内外研究现状 | 第11页 |
| 1.3 论文内容及结构 | 第11-14页 |
| 第二章 肺结节检测综述及目标检测方法介绍 | 第14-26页 |
| 2.1 肺结节检测综述 | 第14-19页 |
| 2.1.1 肺实质分割 | 第15-16页 |
| 2.1.2 候选结节检测 | 第16-18页 |
| 2.1.3 候选结节假阳性剔除 | 第18-19页 |
| 2.2 本文使用到的深度学习技术介绍 | 第19-25页 |
| 2.2.1 FasterR-CNN检测原理 | 第19-22页 |
| 2.2.2 ResNet | 第22-23页 |
| 2.2.3 特征金字塔网络 | 第23-24页 |
| 2.2.4 反卷积层 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于改进FasterR-CNN的候选结节检测 | 第26-46页 |
| 3.1 基于Deconv的FasterR-CNN的候选结节检测 | 第26-31页 |
| 3.1.1 数据的预处理 | 第26-28页 |
| 3.1.2 网络设计原则 | 第28页 |
| 3.1.3 网络模型 | 第28-30页 |
| 3.1.4 超参数的设置 | 第30页 |
| 3.1.5 训练步骤 | 第30-31页 |
| 3.2 基于ResNet的FasterR-CNN框架的候选结节检测 | 第31-34页 |
| 3.2.1 数据的预处理 | 第31页 |
| 3.2.2 网络设计原则 | 第31-32页 |
| 3.2.3 网络模型 | 第32-33页 |
| 3.2.4 超参数的设置 | 第33-34页 |
| 3.2.5 训练步骤 | 第34页 |
| 3.3 基于ResNet和FPN结构的FasterR-CNN框架的候选结节检测 | 第34-37页 |
| 3.3.1 数据预处理 | 第34页 |
| 3.3.2 网络设计原则 | 第34-35页 |
| 3.3.3 网络模型 | 第35-36页 |
| 3.3.4 超参数的设置 | 第36页 |
| 3.3.5 训练步骤 | 第36-37页 |
| 3.4 三种改进方案的结果与分析 | 第37-43页 |
| 3.4.1 评价指标 | 第37页 |
| 3.4.2 基于DeconvFasterR-CNN的候选结节检测 | 第37-39页 |
| 3.4.3 基于ResNet的FasterR-CNN框架的候选结节检测 | 第39-40页 |
| 3.4.4 基于ResNet和FPN结构的FasterR-CNN框架的候选结节检测 | 第40页 |
| 3.4.5 三种改进方案的分析 | 第40-43页 |
| 3.5 本章小结 | 第43-46页 |
| 第四章 基于卷积神经网络的假阳性剔除 | 第46-56页 |
| 4.1 概述 | 第46页 |
| 4.2 网络设计 | 第46-49页 |
| 4.2.1 输入尺寸的选择 | 第46-47页 |
| 4.2.2 网络设计 | 第47-49页 |
| 4.3 训练数据处理 | 第49-50页 |
| 4.4 训练步骤及结果分析 | 第50-54页 |
| 4.4.1 浅层网络设计方案 | 第50-51页 |
| 4.4.2 VGG类型设计方案 | 第51-52页 |
| 4.4.3 两种网络设计方案的分析 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 肺结节检测结果与分析 | 第56-64页 |
| 5.1 候选结节检测结果对比 | 第56页 |
| 5.2 检测结果与讨论 | 第56-61页 |
| 5.3 本章小结 | 第61-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 作者简介 | 第72页 |
