慢阻肺CT图像病灶特征识别与辅助诊断研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 影像技术与医疗诊断的发展与现状 | 第9-12页 |
| 1.2.1 影像技术以及诊断发展历程 | 第9-11页 |
| 1.2.2 基于影像分析的辅助判断与检测研究 | 第11-12页 |
| 1.2.3 慢阻肺CT图像的相关研究 | 第12页 |
| 1.3 本文研究主要内容 | 第12-13页 |
| 2 慢阻肺胸部CT图像特征提取分析研究基础 | 第13-25页 |
| 2.1 医学图像分割方法研究 | 第13-20页 |
| 2.1.1 医学图像分割方法发展 | 第13-14页 |
| 2.1.2 医学图像分割常见方法 | 第14-15页 |
| 2.1.3 医学图像分割效果评价标准 | 第15-19页 |
| 2.1.4 肺部分割方法 | 第19-20页 |
| 2.2 神经网络算法基础 | 第20-23页 |
| 2.2.1 神经网络结构 | 第20-21页 |
| 2.2.2 前向传播和反向传播 | 第21-23页 |
| 2.3 本章小结 | 第23-25页 |
| 3 基于卷积神经网络的CT图像肺功能特征研究 | 第25-33页 |
| 3.1 慢阻肺的胸部CT图像表现特征 | 第25页 |
| 3.2 卷积神经网络简介 | 第25-27页 |
| 3.3 慢阻肺CT图像肺部区域的提取 | 第27-28页 |
| 3.4 卷积神经网络算法 | 第28-30页 |
| 3.4.1 卷积神经网络算法结构 | 第28-29页 |
| 3.4.2 卷积神经网络的特性 | 第29-30页 |
| 3.5 卷积神经网络算法的训练 | 第30-32页 |
| 3.5.1 卷积神经网络算法样本集 | 第30页 |
| 3.5.2 卷积神经网络算法样本训练 | 第30-32页 |
| 3.6 本章小结 | 第32-33页 |
| 4 图像特征数据与医疗数据的相关性研究 | 第33-44页 |
| 4.1 慢阻肺肺功能PFT数据 | 第33-35页 |
| 4.1.1 CT图像横断面特征 | 第33-34页 |
| 4.1.2 肺功能数据PFT | 第34-35页 |
| 4.2 图像特征处理 | 第35-37页 |
| 4.2.1 灰度处理 | 第35-36页 |
| 4.2.2 去背景处理 | 第36页 |
| 4.2.3 形态学处理 | 第36-37页 |
| 4.2.4 肺部肺叶提取 | 第37页 |
| 4.3 肺部占比 | 第37-39页 |
| 4.4 实验运行 | 第39-42页 |
| 4.5 实验结果分析 | 第42-43页 |
| 4.6 本章小结 | 第43-44页 |
| 5 总结与展望 | 第44-45页 |
| 5.1 论文总结 | 第44页 |
| 5.2 研究展望 | 第44-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 附录 | 第50页 |
| A.作者在攻读硕士学位期间发表的专利 | 第50页 |
| B.作者参与项目 | 第50页 |
