| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题研究背景 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 论文思路及内容安排 | 第16-19页 |
| 第二章 深度学习理论概述 | 第19-29页 |
| 2.1 浅层神经网络的发展 | 第19-21页 |
| 2.1.1 单层感知机 | 第19-20页 |
| 2.1.2 BP神经网络 | 第20-21页 |
| 2.2 深层神经网络的演化 | 第21-24页 |
| 2.2.1 深度置信网络 | 第21-22页 |
| 2.2.2 卷积神经网络 | 第22-24页 |
| 2.3 神经网络的优化策略 | 第24-27页 |
| 2.3.1 Dropout策略 | 第24-25页 |
| 2.3.2 小批量梯度下降法 | 第25-26页 |
| 2.3.3 Batch Normalization算法 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 乳腺X线图像数据集的构建及预处理 | 第29-41页 |
| 3.1 构建乳腺X线图像数据集 | 第29-31页 |
| 3.1.1 病例资料简介 | 第29页 |
| 3.1.2 检查仪器和标准规范的投照体位 | 第29-30页 |
| 3.1.3 纳入标准 | 第30页 |
| 3.1.4 排除标准 | 第30-31页 |
| 3.2 乳腺X线图像去噪 | 第31-35页 |
| 3.3 乳腺X线图像分割 | 第35-38页 |
| 3.3.1 基于模糊C-均值聚类的分割 | 第36-37页 |
| 3.3.2 基于核模糊C-均值聚类算法的分割 | 第37-38页 |
| 3.4 本章小结 | 第38-41页 |
| 第四章 基于遗传算法的核模糊聚类方法分割乳腺肿块 | 第41-47页 |
| 4.1 遗传算法 | 第41-42页 |
| 4.2 基于遗传算法的核模糊聚类方法 | 第42-44页 |
| 4.2.1 染色体编码及种群初始化 | 第42页 |
| 4.2.2 适应度函数设计 | 第42页 |
| 4.2.3 选择、交叉和变异算子设计 | 第42-43页 |
| 4.2.4 算法停止条件 | 第43页 |
| 4.2.5 主要流程 | 第43-44页 |
| 4.3 算法仿真分析 | 第44-46页 |
| 4.3.1 评价指标 | 第44-45页 |
| 4.3.2 结果分析 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 基于迁移学习的卷积神经网络的乳腺肿瘤良恶性分类 | 第47-59页 |
| 5.1 迁移学习 | 第47-48页 |
| 5.2 基于迁移学习的卷积神经网络模型构建 | 第48-53页 |
| 5.2.1 网络模型 | 第48-52页 |
| 5.2.2 Caffe框架介绍 | 第52页 |
| 5.2.3 迁移学习模型搭建 | 第52-53页 |
| 5.3 实验设计与结果分析 | 第53-58页 |
| 5.3.1 图像预处理 | 第53-54页 |
| 5.3.2 实验设计 | 第54-55页 |
| 5.3.3 仿真结果分析 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-63页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-71页 |
| 攻读学位期间学术成果及参与项目 | 第71页 |