基于深度学习和细粒度特征优选的乳腺癌图像识别模型研究

目录

声明

第一章 绪论

1.1 研究背景与意义

1.2 研究现状分析

1.2.1 乳腺癌图像识别

1.2.2 特征学习

1.2.3 特征优选

1.3 主要研究内容

1.4 论文组织结构

1.5 本章小结

第二章 相关基础知识介绍

2.1 实验环境

2.2 实验数据集

2.2.1 CBIS-DDSM数据集

2.2.2 INbreast数据集

2.3 图像特征提取

2.4 评估方法

2.5 本章小结

第三章 基于卷积神经网络的乳腺癌图像识别模型

3.1 卷积神经网络

3.1.1 VGGNet模型

3.1.2 ResNet模型

3.1.3 DenseNet模型

3.2 基于卷积神经网络的乳腺癌图像识别模型

3.3 实验结果及分析

3.3.1 DDSM数据集实验结果

3.3.2 INbreast数据集实验结果

3.4 本章小结

第四章 基于特征优选算法的乳腺癌图像识别模型

4.1 模型框架

4.2 Fisher Score算法

4.3 ERGS算法

4.4 MvERGS算法

4.5 实验结果与分析

4.5.1 基于原始特征的识别结果

4.5.2基于Fisher Score算法的识别结果

4.5.3 基于ERGS算法的识别结果

4.5.4 基于MvERGS算法识别结果

4.6 本章小结

第五章 基于细粒度特征优选算法的乳腺癌图像识别模型

5.1 模型框架

5.2 基于MvERGS算法的特征优选

5.3 跨模态病理语义挖掘

5.4 基于GBDT算法的自适应特征优选

5.5 实验结果与分析

5.5.1 与主流基线的对比

5.5.2 优选特征的鲁棒性验证

5.5.3 特征的可视化结果

5.5.4 统计显著性检验

5.5.5 其它度量指标

5.5.6 消融分析

5.5.7 模型参数调制和实时性能展示

5.5.8 乳腺癌图像在线识别系统

5.6 本章小结

第六章 总结与展望

6.1 工作总结

6.2 未来工作展望

参考文献

个人简历 在读期间发表的学术论文

致谢