开题报告内容：（包括拟研究或解决的问题、采用的研究手段及文献综述，不少于2000字）
一、课题研究的内容
- 初步认识典型的几种卷积神经网络（Convolutional Neural network，简称CNN），主要包括其整体架构、基本组件、激活函数、损失函数、正则化及优化等内容；
- 对比现在主流使用的卷积神经网络（如LeNet，AlexNet，U-Net，ResNet等）处理图像存在的优缺点；
- 对基于CNN的医学影像辅助诊断的应用发展进行深入研究，从而对AI辅助诊断和CNN的基本发展有所了解。
二、课题研究的背景与意义
自2006年以来，深度学习作为机器学习的一个分支受到了各行各业的广泛关注。深度学习，是一种使用多层复杂结构或由多重非线性变换构成的多个处理层对数据进行表征学习和高层抽象的方法。近年来，深度学习，尤其是卷积神经网络（CNN），已经在视觉识别，语音识别和自然语言处理等方面取得了很好的成果。
随着科学技术的迅速发展，逐渐形成了以X射线、磁共振成像、超声和核医学为代表的医学影像技术。但由于医学影像技术的发展和推广，医学图像解读成为难题，医生通过视觉层面对医学影像进行评判得出诊断的方式存在经验不足或因疲劳而产生解读错误等问题，且无法捕捉细微的肉眼不可辨别的疾病特征。因此，借助卷积神经网络等深度学习方法对医学影像进行分类诊断，不仅可以避免由于医生的个人因素影响从而降低疾病误诊率和漏诊率的现象，还能解决医学影像数据量庞大复杂的问题。此外，它还能促进传统医学诊断流程的转型，顺应学科及社会发展的时代要求。
三、 研究手段
本课题拟采用2种研究手段与研究方法：
1.文献调查法。对文献进行查询、鉴别、整理、分析、对比、总结和归纳，学习深度学习、卷积神经网络（CNN）的相关知识，从而对本课题进行深入研究。
2.对比研究法。通过多种方式收集有关卷积神经网络的资料，对现在主流使用的卷积神经网络（如AlexNet,U-Net,ResNet等）处理图像存在的优缺点进行对比，对已有基于CNN的医学影像辅助诊断的进展进行深入研究。
四、文献综述
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
