| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 肺结节检测算法国内外研究现状 | 第10-12页 |
| 1.2.1 肺结节的候选区域检测和分类识别 | 第10-11页 |
| 1.2.2 面临的问题和挑战 | 第11-12页 |
| 1.3 论文主要研究内容与贡献 | 第12-13页 |
| 1.4 本文的结构安排 | 第13-14页 |
| 第二章 深度卷积神经网络 | 第14-27页 |
| 2.1 深度学习概述 | 第14-15页 |
| 2.2 卷积神经网络 | 第15-20页 |
| 2.2.1 卷积神经网络简介 | 第15页 |
| 2.2.2 卷积神经网络(CNN)的模型结构 | 第15-19页 |
| 2.2.3 卷积神经网络的前馈学习与反向调整 | 第19-20页 |
| 2.3 深度学习模型的训练方式 | 第20-21页 |
| 2.4 卷积神经网络应用在医学图像处理上的意义 | 第21页 |
| 2.5 医学图像数据库介绍 | 第21-26页 |
| 2.5.1 JSRT数据库 | 第21-24页 |
| 2.5.2 LIDC-IDRI数据库 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于卷积神经网络的胸片肺结节检测 | 第27-38页 |
| 3.1 基于卷积神经网络的肺结节检测算法 | 第27-28页 |
| 3.2 图像预处理 | 第28页 |
| 3.3 实验数据准备 | 第28-30页 |
| 3.4 卷积神经网络结构 | 第30-32页 |
| 3.5 候选结节筛选 | 第32页 |
| 3.6 实验结果和分析 | 第32-36页 |
| 3.6.1 实验结果评价方法 | 第32-34页 |
| 3.6.2 结节明显程度对实验结果的影响 | 第34页 |
| 3.6.3 图像预处理对实验结果的影响 | 第34-35页 |
| 3.6.4 输入图像块的大小对实验结果的影响 | 第35-36页 |
| 3.7 讨论和比较 | 第36-37页 |
| 3.8 本章小结 | 第37-38页 |
| 第四章 基于卷积神经网络集成的胸片肺结节检测 | 第38-48页 |
| 4.1 集成学习概述 | 第38页 |
| 4.2 基于卷积神经网络集成的肺结节检测算法 | 第38-39页 |
| 4.2.1 算法原理介绍 | 第38-39页 |
| 4.2.2 基于卷积神经网络集成的肺结节检测算法 | 第39页 |
| 4.3 卷积神经网络集成结构 | 第39-41页 |
| 4.4 候选结节筛选 | 第41-42页 |
| 4.5 实验结果和分析 | 第42-45页 |
| 4.5.1 实验设置 | 第42页 |
| 4.5.2 结节明显程度对实验结果的影响 | 第42页 |
| 4.5.3 卷积神经网络集成和单个卷积神经网络的比较 | 第42-43页 |
| 4.5.4 集成卷积神经网络和Alexnet的比较 | 第43-45页 |
| 4.5.5 不同真结节判定标准下的实验结果 | 第45页 |
| 4.6 讨论和比较 | 第45-47页 |
| 4.6.1 现有文献比较 | 第45-46页 |
| 4.6.2 检测结果中假阳性分析 | 第46-47页 |
| 4.7 本章小结 | 第47-48页 |
| 第五章 基于多输入卷积神经网络的CT图像疑似肺结节检测 | 第48-55页 |
| 5.1 引言 | 第48页 |
| 5.2 基于多输入卷积神经网络的CT图像疑似肺结节检测算法 | 第48-50页 |
| 5.2.1 算法原理分析 | 第48-49页 |
| 5.2.2 多输入卷积神经网络的CT图像疑似肺结节检测算法 | 第49-50页 |
| 5.3 图像预处理 | 第50页 |
| 5.4 多输入卷积神经网络结构 | 第50-51页 |
| 5.5 实验结果和分析 | 第51-53页 |
| 5.5.1 实验设置 | 第51页 |
| 5.5.2 多输入卷积神经网络和单输入卷积神经网路性能对比 | 第51-52页 |
| 5.5.3 图像预处理对实验结果的影响 | 第52-53页 |
| 5.5.4 肺结节检测结果展示 | 第53页 |
| 5.5.5 疑似肺结节检测结果分析 | 第53页 |
| 5.6 本章小结 | 第53-55页 |
| 第六章 主要结论与展望 | 第55-57页 |
| 6.1 本文的主要工作和结论 | 第55-56页 |
| 6.2 工作的展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第62页 |
