| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 乳腺影像诊断技术 | 第11-13页 |
| 1.2.1 乳腺核磁共振成像技术 | 第12-13页 |
| 1.3 计算机辅助诊断技术 | 第13-14页 |
| 1.4 本论文的主要内容与安排 | 第14-16页 |
| 1.4.1 本论文主要研究内容 | 第14页 |
| 1.4.2 本论文的主要安排 | 第14-16页 |
| 第2章 深度学习算法介绍 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 从浅层学习到深度学习 | 第16-17页 |
| 2.2.1 机器学习的第一次浪潮--浅层学习 | 第16-17页 |
| 2.2.2 机器学习的第二次浪潮--深度学习 | 第17页 |
| 2.3 非监督深度学习算法 | 第17-21页 |
| 2.3.1 AutoEncoder自动编码器 | 第18页 |
| 2.3.2 自动编码器训练 | 第18-19页 |
| 2.3.3 限制玻尔兹曼机 | 第19-20页 |
| 2.3.4 RBM学习方法 | 第20-21页 |
| 2.4 监督深度学习算法 | 第21-26页 |
| 2.4.1 Softmax分类器 | 第22-23页 |
| 2.4.2 多层感知器 | 第23页 |
| 2.4.3 卷积神经网络 | 第23-25页 |
| 2.4.4 随机梯度下降优化算法 | 第25-26页 |
| 2.5 深度学习在生物医学图像中应用 | 第26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于堆叠自编码网络的特征提取与乳腺癌分类研究 | 第27-36页 |
| 3.1 引言 | 第27页 |
| 3.2 研究方案概述 | 第27页 |
| 3.3 降噪层叠自编码设计 | 第27-28页 |
| 3.4 实验数据及预处理 | 第28-31页 |
| 3.4.1 实验数据集 | 第28-30页 |
| 3.4.2 数据预处理 | 第30-31页 |
| 3.4.3 乳腺MRI序列图像ROI提取 | 第31页 |
| 3.5 实验结果与分析 | 第31-35页 |
| 3.5.1 实验数据集划分 | 第31-32页 |
| 3.5.2 实验结果的评价标准--受试者工作特征曲线 | 第32页 |
| 3.5.3 实验结果及分析 | 第32-35页 |
| 3.5.4 实验小结 | 第35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于三维卷积神经网络的乳腺癌早期诊断研究 | 第36-41页 |
| 4.1 引言 | 第36页 |
| 4.2 研究方案概述 | 第36页 |
| 4.3 卷积神经网络构建 | 第36-38页 |
| 4.3.1 二维卷积神经网络模型构建 | 第36页 |
| 4.3.2 三维卷积神经网络概述 | 第36-37页 |
| 4.3.3 三维卷积网络模型构建 | 第37页 |
| 4.3.4 三维卷积神经网络的训练 | 第37-38页 |
| 4.4 实验结果与分析 | 第38-40页 |
| 4.4.1 数据扩充方法 | 第38-39页 |
| 4.4.2 增强率图像计算 | 第39页 |
| 4.4.3 实验结果与分析 | 第39-40页 |
| 4.4.4 实验小结 | 第40页 |
| 4.5 本章小结 | 第40-41页 |
| 第5章 基于迁移学习模型的早期乳腺癌诊断研究 | 第41-51页 |
| 5.1 引言 | 第41页 |
| 5.2 研究方案概述 | 第41-43页 |
| 5.2.1 迁移学习模型概述 | 第42页 |
| 5.2.2 卷积神经网络模型预训练 | 第42-43页 |
| 5.3 迁移学习模型 | 第43-47页 |
| 5.3.1 模型预训练数据集 | 第43-44页 |
| 5.3.2 AlexNet迁移模型 | 第44-45页 |
| 5.3.3 GoogLeNet迁移模型 | 第45-47页 |
| 5.4 实验结果与分析 | 第47-49页 |
| 5.4.1 实验数据 | 第47页 |
| 5.4.2 实验结果与分析 | 第47-49页 |
| 5.4.3 实验总结 | 第49页 |
| 5.5 本章小结 | 第49-51页 |
| 第六章 总结与展望 | 第51-54页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 附录 | 第60页 |