1. 毕业设计（论文）主要目标：
通过计算机断层扫描（CT）扫描自动诊断肺癌包括两个步骤：检测所有可疑病变（肺结节）并评估恶性肿瘤。由于结节的存在并不一定表明癌症，结节的形态与癌症有着复杂的关系，因此肺结节的评估需要检测每一个可疑的结节和所有结节的信息。因此，本文建立了一个基于3D深度神经网络的肺结节检测模型来解决这个问题。
设计的肺结节检测模型在LUNG16数据集上可以有效地检测肺结节，具有较高的检测准确率和较低的假阳性率。
2. 毕业设计（论文）主要内容：
本文针对肺结节检测建立了一个基于3D卷积神经网络的肺结节检测模型来解决这个问题。该模型是用于结节检测的3D区域生成网络，其输出对象为所有可疑结节。该模型的骨干网络是一个改进的U-Net，，并使用数据增强操作避免过拟合问题。本文提出的肺结节检测模型预期目标是在LUNG16数据集上可以有效地检测肺结节，具有较高的检测准确率。
3. 主要参考文献
[1]Zhao W, Yang J, Sun Y, et al. 3D Deep Learning from CT Scans Predicts Tumor Invasiveness of Subcentimeter Pulmonary Adenocarcinomas[J]. Cancer Research.
[2] S. Singh, D. S. Gierada, P. Pinsky, C. Sanders,N. Fineberg, Y. Sun, D. Lynch et al., “Reader variability in identifying pulmonary nodules on chest radiographs from the national lung screening trial,” Journal of Thoracic Imaging, vol. 27, no. 4, p. 249, 2012.
[3] H.-C. Shin, M. R. Orton, D. J. Collins, S. J. Doran, and M. O. Leach, “Stacked autoencoders for unsupervised feature learning and multiple organ detection in a pilot study using 4d patient data,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, no. 8, pp. 1930–1943, 2013.[4] A. Esteva, B. Kuprel, R. A. Novoa, J. Ko, S. M. Swetter, H. M. Blau, and S. Thrun,“Dermatologist-level classification of skin cancer with deep neural networks,” Nature,vol. 542, no. 7639, pp. 115–118, 2017.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
