| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源及研究的背景和意义 | 第9-11页 |
| 1.1.1 课题的来源 | 第9页 |
| 1.1.2 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 图像分类的研究现状 | 第11-14页 |
| 1.2.2 医学图像分类的研究现状 | 第14-15页 |
| 1.3 本文的主要研究内容以及组织结构 | 第15-17页 |
| 1.3.1 本文的主要研究内容 | 第15页 |
| 1.3.2 本文的文章结构 | 第15-17页 |
| 第2章 基于词袋模型的医学图像分类以及卷积神经网络的基本原理 | 第17-41页 |
| 2.1 基于词袋模型的医学图像分类基本原理 | 第17-31页 |
| 2.1.1 词袋模型简介 | 第17-19页 |
| 2.1.2 SIFT特征简介 | 第19-27页 |
| 2.1.3 分类器的选择 | 第27-31页 |
| 2.2 卷积神经网络基本原理 | 第31-40页 |
| 2.2.1 卷积神经网络体系结构概述 | 第31-33页 |
| 2.2.2 卷积神经网络的网络层 | 第33-40页 |
| 2.3 本章小结 | 第40-41页 |
| 第3章 利用词袋模型以及卷积神经网络对医学图像分类 | 第41-49页 |
| 3.1 实验数据来源 | 第41-42页 |
| 3.2 利用词袋模型对医学图像分类 | 第42-45页 |
| 3.2.1 实验方案 | 第42-45页 |
| 3.2.2 实验结果与实验分析 | 第45页 |
| 3.3 利用卷积神经网络对医学图像分类 | 第45-49页 |
| 3.3.1 实验方案 | 第45-47页 |
| 3.3.2 实验结果与实验讨论 | 第47-49页 |
| 第4章 利用卷积神经网络与传统分类器相结合对医学图像进行分类 | 第49-55页 |
| 4.1 卷积神经网络与支持向量机相结合对医学图像分类 | 第49-51页 |
| 4.1.1 实验方案 | 第50页 |
| 4.1.2 实验结果与实验分析 | 第50-51页 |
| 4.2 卷积神经网络与随机森林相结合对医学图像分类 | 第51-53页 |
| 4.2.1 随机森林简介 | 第51-52页 |
| 4.2.2 实验方案 | 第52页 |
| 4.2.3 实验结果与实验分析 | 第52-53页 |
| 4.3 不同实验方法对医学图像分类的实验对比 | 第53-55页 |
| 4.3.1 词袋模型、CNN、CNN-SVM以及CNN-RF对医学图像分类实验结果对比和分析 | 第53-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第62-64页 |
| 致谢 | 第64页 |
