基于迁移学习与卷积神经网络的乳腺肿瘤CAD系统
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-19页 |
| 1.1 课题研究背景及意义 | 第7-10页 |
| 1.1.1 乳腺癌影像学诊断 | 第7-8页 |
| 1.1.2 乳腺癌CADx系统的发展 | 第8页 |
| 1.1.3 乳腺肿瘤CADx系统概述 | 第8-9页 |
| 1.1.4 本文乳腺肿瘤CADx系统设计概述 | 第9-10页 |
| 1.2 数据集概述及数据集处理 | 第10-15页 |
| 1.2.1 数据集概述 | 第10-11页 |
| 1.2.2 数据集不平衡处理 | 第11-12页 |
| 1.2.3 数据增强处理 | 第12-13页 |
| 1.2.4 性能评价标准概述 | 第13-15页 |
| 1.3 论文结构与内容 | 第15-19页 |
| 第2章 机器学习算法与深度学习算法 | 第19-31页 |
| 2.1 机器学习算法概述 | 第19-22页 |
| 2.1.1 机器学习算法中的特征 | 第19-21页 |
| 2.1.2 机器学习算法中的分类器 | 第21-22页 |
| 2.2 深度学习算法 | 第22-31页 |
| 2.2.1 深度学习概述 | 第23-24页 |
| 2.2.2 卷积神经网络概述 | 第24-28页 |
| 2.2.3 循环神经网络概述 | 第28-31页 |
| 第3章 迁移学习与深度学习 | 第31-39页 |
| 3.1 迁移学习概述 | 第31-32页 |
| 3.2 经典的卷积神经网络 | 第32-39页 |
| 3.2.1 AlexNet介绍 | 第32-33页 |
| 3.2.2 VGG16介绍 | 第33-34页 |
| 3.2.3 InceptionNet介绍 | 第34-35页 |
| 3.2.4 ResNet介绍 | 第35-39页 |
| 第4章 CAD系统总体设计 | 第39-51页 |
| 4.1 传统机器学习特征与CNN特征探究 | 第39-42页 |
| 4.1.1 传统机器学习特征 | 第39页 |
| 4.1.2 CNN特征 | 第39-42页 |
| 4.2 乳腺肿瘤CAD系统设计流程 | 第42-47页 |
| 4.2.1 传统机器学习特征与CNN特征比较 | 第43-44页 |
| 4.2.2 CNN网络层内特征选取 | 第44-45页 |
| 4.2.3 新网络的构建 | 第45-46页 |
| 4.2.4 迁移学习的引入 | 第46页 |
| 4.2.5 二次迁移的具体流程 | 第46-47页 |
| 4.3 实验结果与性能比较 | 第47-51页 |
| 4.3.1 特征提取性能对比 | 第47-48页 |
| 4.3.2 新网络加入迁移学习 | 第48-51页 |
| 第5章 总结与展望 | 第51-55页 |
| 5.1 本文总结 | 第51-52页 |
| 5.2 未来工作展望 | 第52-55页 |
| 参考文献 | 第55-61页 |
| 发表论文和参加科研情况说明 | 第61-63页 |
| 致谢 | 第63页 |
