基于SERes-RACNN网络的X光胸片多疾病分类算法研究

目录

声明

1绪论

1.1 研究背景

1.2 研究意义

1.3 研究现状

1.3.1 传统图像处理与机器学习

1.3.2 深度学习方法

1.4 研究内容及章节安排

2深度学习与卷积神经网络简介

2.1 神经网络

2.1.1 神经元

2.1.2 多层感知机

2.1.3 激活函数

2.1.4 前向传播

2.1.5 反向传播

2.1.6 过拟合与欠拟合及相应的解决方法

2.2 卷积神经网络

2.2.1 卷积

2.2.2 池化

2.2.3 常用的卷积神经网络

2.3 网络优化策略

2.3.1 批标准化

2.3.2 学习率与批尺寸

2.3.3 正则化和随机失活

2.4 本章小结

3基于细粒度的胸片疾病分类

3.1 数据集

3.2 侧位片筛选

3.2.1 ResNet18网络

3.2.2 使用ResNet18进行正、侧位片进行分类

3.3 模型概览

3.4 评价指标

3.5胸片疾病细粒度分类

3.5.1 数据集划分

3.5.2 数据预处理

3.5.3 细粒度分类与传统的分类对比

3.6 实验设计

3.6.1 对比实验设计

3.6.2 实验细节

3.6.3 实验结果及分析

3.6.4 对比实验小结

3.7 SERes-RACNN

3.7.1 改进模型

3.7.2 最终结果

3.7.3 与其他方法的对比

3.8 本章小结

4训练策略与优化策略

4.1 批尺寸的优化

4.1.1 实验细节

4.1.2 实验结果及分析

4.2 样本不均衡

4.2.1 实验设计

4.2.2 实验结果及分析

4.3 多模型融合

4.3.1 原理

4.3.2 融合结果及分析

4.4 本章小结

5胸片病灶区可视化

5.1 可视化介绍

5.2 可视化的方法原理

5.3 可视化结果分析

5.4 本章小结

6总结与展望

6.1 总结

6.2 展望

参考文献

致谢

附录