基于深度学习框架的甲状腺结节检测与分类

声明

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 专家系统方法

1.2.2 人工特征法与机器学习方法

1.2.3 深度学习方法

1.3 论文的主要内容和创新点

1.4 论文组织和结构

2 深度卷积神经网络

2.1 传统的卷积分类架构

2.1.1 卷积层

2.1.2 激活函数

2.1.3 批量正则化

2.1.4 池化层

2.2 目标检测架构

2.2.1 Two-stage 方法

2.2.2 One-stage 方法

2.2.3 对比与分析

2.3 本章小结

3 甲状腺超声影像人工标记的处理

3.1 问题描述

3.2 人工标记的去除

3.3 人工标记的修复

3.4 本章小结

4 超声甲状腺结节的特征提取

4.1 超声甲状腺结节传统特征提取方法

4.1.1 形状和边缘提取

4.1.2 纹理提取

4.2 超声甲状腺结节深度学习特征提取方法

4.3 实验

4.3.1 数据集和评价标准

4.3.2 实验设置

4.3.3 结果与讨论

4.4 本章小结

5 超声甲状腺结节的识别与检测

5.1 Anchor box 的获取

5.1.1 人工经验获取

5.1.2 k-means 算法获取

5.2 多尺度的检测层

5.3 损失函数

5.4 实验

5.4.1 数据集和评价标准

5.4.2 实验设置

5.4.3 结果与讨论

5.5 本章小结

6 系统设计与实现

6.1 系统概述

6.1.1 系统设计意义和背景

6.1.2 系统设计的目标

6.2 系统可行性分析

6.2.1 技术可行性

6.2.2 资源可行性

6.2.3 安全可行性

6.3 系统需求分析

6.4 系统概要设计

6.4.1 总体框架结构设计

6.4.2 数据库实体与属性的提取

6.4.3 数据库 E-R 图设计

6.4.4 数据库表设计

6.5 系统详细设计

6.5.1 数据脱敏与可视化模块

6.5.2 超声甲状腺结节智能检测与识别模块

6.5.3 矩形框标注模块

6.5.4 分割框标注模块

6.5.5 特征染色模块

6.6 系统测试

6.6.1 功能测试

6.6.2 系统兼容性测试

6.6.3 性能测试

6.7 本章小结

7 总结与展望

7.1 总结

7.2 展望

参考文献

个人简历、在学期间发表的学术论文与研究成果

致谢