学位专题

封面
声明
中文摘要
英文摘要
目录
第一章绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 乳腺癌分割的研究现状
1.2.2 乳腺癌NAC疗效预测的研究现状
1.3本文研究内容及结构
1.3.1 本文研究内容
1.3.2 本文组织结构
第二章相关理论和技术基础
2.1 动态对比增强磁共振成像(DCE-MRI)成像原理
2.2 深度学习
2.2.1 深度学习概述
2.2.2 卷积神经网络
2.2.3 Transformer
2.3 联邦学习
2.4 本章小结
第三章基于深度学习的DCE-MRI乳腺癌肿瘤分割
3.1 数据集的描述以及预处理
3.1.1 数据集的描述
3.1.2 数据预处理
3.2 基于深度学习的乳腺癌肿瘤自动分割
3.2.1 CSA-Net分割模型
3.2.2 损失函数、训练设置及评价指标
3.3 实验结果分析
3.3.1 单中心分割结果定量参数分析
3.3.2 单中心分割结果可视化
3.4 本章小结
第四章基于联邦学习的多中心乳腺癌肿瘤自动分割
4.1 基于联邦学习的乳腺癌肿瘤自动分割
4.1.1 自适应权重联邦聚合(AWFA)算法
4.1.2 训练方法和损失函数
4.2 实验结果及分析
4.2.1 中心化学习和联邦学习分割结果的定量参数分析
4.2.2 中心化学习和联邦学习分割结果的可视化
4.3 本章小结
第五章多区域Transformer预测乳腺癌NAC疗效
5.1 新辅助化疗疗效预测模型
5.1.1 Multi-ROI Transformer
5.1.2 损失函数和训练方法
5.1.3 分类常用指标
5.2 实验数据及结果分析
5.2.1 实验数据
5.2.2 Backbone模型结果对比
5.2.3 Multi-ROI Transformer预测乳腺癌NAC疗效
5.3 本章小结
第六章总结与展望
6.1 总结
6.2 展望
参考文献
攻读硕士期间学术成果以及荣誉奖励
学术成果
致谢