基于非局部深度网络的肝细胞癌多特征融合分类算法研究

目录

声明

第1章 绪论

1.1 课题来源

1.2 课题研究的背景及意义

1.2.1 研究背景

1.2.2 研究意义

1.3 国内外研究现状

1.3.1 医学影像CAD技术研究现状

1.3.2 深度学习技术研究现状

1.3.3 深度学习与医学影像技术结合的研究现状

1.3.4 深度学习在肝细胞癌诊断中的研究现状

1.4 肝细胞癌磁共振影像

1.5 本文的主要研究内容

第2章 肝细胞癌局部深度特征的提取及分类

2.1 肝细胞癌分类算法总体流程

2.2 肝细胞癌图像数据预处理

2.3 卷积神经网络

2.3.1 卷积层

2.3.2 池化层

2.3.3 全连接层

2.3.4 Dropout层

2.3.5 激活函数

2.3.6 Sotfmax层

2.4 局部深度特征的提取

2.4.1 感受野与局部特征

2.4.2 局部深度特征提取

2.4.3 局部深度特征分析

2.5 局部深度特征分类实验结果与分析

2.5.1 实验环境及参数

2.5.2 实验数据

2.5.3 评价指标

2.5.4 实验结果与分析

2.6 本章小结

第3章 肝细胞癌非局部深度特征的提取与分类

3.1 非局部均值

3.2 深度网络中的非局部模块

3.2.1 位置非局部模块

3.2.2 通道非局部模块

3.3 非局部深度网络

3.4 非局部特征分析

3.5 非局部特征分类实验与分析

3.5.1 实验数据及参数配置

3.5.2 实验结果与分析

3.6 本章小结

第4章 基于多特征融合的肝细胞癌分类算法研究

4.1 经典的图像融合方法

4.1.1 信号级融合

4.1.2 像素级融合

4.1.3 特征级融合

4.1.4 决策级融合

4.2 基于深度网络的图像融合方法

4.2.1 深度网络特征级融合

4.2.2 深度网络决策级融合

4.3 多特征融合网络结构

4.3.1 位置与通道非局部特征融合网络

4.3.2 局部与非局部特征融合网络

4.3.3 三视图特征融合网络

4.4 多特征融合分类网络实验与分析

4.4.1 实验数据及参数配置

4.4.2 位置与通道非局部特征融合实验

4.4.3 局部与非局部特征融合实验

4.4.4 三视图特征融合实验

4.4.5 算法实验对比分析

4.5 本章小结

第5章 总结与展望

5.1 本文主要研究成果

5.2 未来工作展望

致谢

参考文献

攻读硕士学位期间科研成果