基于深度学习的钼靶钙化图像检测和分类诊断方法

目录

声明

第一章 绪论

1.1 研究背景

1.2 研究意义

1.3 研究现状

1.4 研究内容

1.5 论文的组织结构

1.6 本章小结

第二章 深度学习技术

2.1 引言

2.2 卷积神经网络

2.2.1 卷积运算

2.2.2 局部连接

2.2.3 权值共享

2.2.4 池化层

2.2.5 激励函数

2.2.6 归一化

2.3 基于深度学习的分类网络

2.4 目标检测算法

2.4.1 基于传统机器学习的目标检测算法

2.4.2 基于深度学习的目标检测算法

2.5 目标检测算法的技术特征

2.5.1 边框回归

2.5.2 非极大值抑制

2.5.3 Softmax 回归

2.5.4 目标定位评估

2.6 本章小结

第三章 乳腺钼靶图像钙化检测

3.1 引言

3.1.1 数据集介绍

3.1.2 评测标准

3.2 基于深度学习的钼靶图像钙化检测

3.2.1 数据标注

3.2.2 数据增强

3.2.3 网络结构的优化

3.3 实验结果

3.3.1 数据增强对检测结果的对比

3.3.2 网络结构优化的结果对比

3.4 讨论与分析

3.5 本章小结

第四章 乳腺钼靶钙化图像的良恶性分类

4.1 引言

4.1.1 聚焦钙化区域

4.1.2 数据集介绍

4.1.3 评价标准

4.2 钼靶钙化图像的良恶性分类

4.2.1 DenseNet分类网络

4.2.2 M-DenseNet 分类网络

4.2.3 数据均衡

4.3 实验结果

4.3.1 与DenseNet分类网络模型性能对比

4.3.2 与其它深层分类网络模型性能对比

4.3.3 与国内外相关课题的对比

4.4 讨论与分析

4.5 本章小结

工作总结和展望

工作总结

展望

参考文献

攻读硕士学位期间取得的研究成果

致 谢

答辩决议书