声明
第一章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 基于传统图像处理的肺结节检测方法
1.2.2 基于深度学习的肺结节检测方法
1.3 论文研究内容与组织结构
第二章 卷积神经网络的基础理论
2.1 人工神经网络
2.1.1 前向传播
2.1.2 反向传播
2.2 卷积神经网络及其基本结构
2.2.1 卷积层
2.2.2 池化层
2.2.3 全连接层
2.2.4 激活函数
2.3 肺结节检测中常用的卷积神经网络
2.3.1 Faster R-CNN
2.3.2 Unet
2.3.3 VGG16
2.3.4 3D-Unet
2.3.5 3D MC-CNN
2.4 本章小结
第三章 基于3D-Inception与3D-Unet的候选结节检测方法
3.1 网络的基本结构
3.2 编码器
3.2.1 3D卷积和3D池化
3.2.3 3D-Inception
3.3 解码器
3.3.1 反卷积
3.3.2 Concat信息融合
3.4 训练方法
3.4.1 损失函数
3.4.2 超参数设置
3.5 本章小结
第四章 基于多尺度异构并联3D CNN的假阳性去除方法
4.1 网络的基本结构
4.2 3D多尺度逐步输入
4.2.1 提取3D候选结节块
4.2.2 3D多尺度逐步融合
4.3 多特征流异构并联
4.3.1 多特征流异构
4.3.2 自学习权重融合
4.4 训练方法
4.4.1 损失函数
4.4.2 正则化方法
4.4.3 超参数设置
4.5 本章小结
第五章 实验结果与分析
5.1 数据集
5.1.1 数据集预处理
5.1.2 数据增强
5.2 评价指标
(1) 候选结节检测评价指标
(2) 假阳性去除评价指标
5.3 候选结节检测结果与分析
5.3.1 实验结果
5.3.2 性能分析
5.4 假阳性去除结果与分析
5.4.1 实验结果
5.4.2 性能分析
5.5 总体方案的结果与分析
5.6 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
发表论文和参加科研情况
致 谢
天津工业大学;